前天（1月22日），TikTok发布了一项新型AI技术——“Depth Anything”，预示着2D影像转3D有望出现突破。2D视频“一键转3D”如果实现，将大幅推进XR产业的发展。

“Depth Anything”是TikTok联手香港大学和浙江大学共同研发的一种先进的单目深度估计（MDE）技术。这项技术能够从单张图片中提取出物体的深度信息。它使用了一个庞大的AI训练数据集，包含了150万个标记过的图像和超过6200万个未标记的图像。如此大规模的训练不仅显著提升了其精度，还有效减少了AI模型中常见的泛化错误。

“Depth Anything”在零次学习相对深度和度量深度估计方面的表现尤为出色，即便是在没有接受额外训练的情况下，也能准确估计它从未见过的图像的深度。这一点，使其在技术性能上超越了此前的领先模型，如 MiDaS v3.1。

下面的图示展示了“Depth Anything”将普通2D图片转成的深度图。可以看到，与MiDaS生成的深度图相比，“Depth Anything”生成的深度图更为精确和细腻。

简而言之，这项AI技术能更有效地从2D图像中识别出深度信息图。而基于这些深度信息图，普通的2D影像便可转化为3D影像（苹果称之为“空间照片/视频”）。

下图展示了警长利用2D图和“Depth Anything”生成的深度图合成的3D图（红蓝格式）。

使用原始2D图及深度图生成的3D图片格式（红蓝格式），图源：Stereo Photo Maker

基于2D图及深度图，我们还可以生成6DoF视频。以下是两个由警长制作的示例视频。

使用2D图生成的6DoF视频，来源：AR圈

使用2D图生成的6DoF视频，来源：AR圈

生成3D图的难点在于深度图的质量，图源：AR圈

尽管使用2D图及深度图生成3D图并非全新技术，但之前此技术的应用受到深度图质量的制约。TikTok发布的“Depth Anything”技术在提升深度图的质量方面取得了重大突破，意味着2D影像转化为3D影像的“最后一公里”问题有望得到解决。此技术的应用将使得TikTok平台上现有的海量2D影像能够轻松转化为3D影像，让普通手机拍摄的2D影像“一键转3D”。这将为Vision Pro版TikTok带来海量的3D视频源。

前天，TikTok公布了“Depth Anything”技术。而昨天，TikTok的产品经理宣布基于Vision Pro“彻底重构了TikTok”。TikTok在前后脚公布的这两件大事，是简单的巧合还是有高人指点，耐人寻味。

2D影像转3D：Tiktok或用AI为Vision Pro施魔法