Depth Anything 3 实操：从单张卫星图生成深度 GeoTIFF

一句话结论：不用建筑多边形、DEM、相机外参，一张 RGB 卫星影像就能跑出深度图。日本 OrbitalNet 团队用 Depth Anything 3（DA3MONO-LARGE） 做单目相对深度估计，把结果写回与输入同网格的 GeoTIFF；对建筑边界，他们用 300 像素分块 + 100 像素重叠 + shift 对齐融合，目视锐度明显好于整图下采样推理。但要先记住三件事：输出是相对深度、显示图不是建筑高度、目视对比不是精度验证。

LAS 点云在线查看器

本文完整编译 dev.to 文章《Creating Depth GeoTIFFs from Satellite and Aerial Imagery with Depth Anything 3》（2026-10-13，作者 lehua555 / OrbitalNet），并做中文整理。

一、这个流程能做什么、不能做什么

• 能：从单张卫星/航拍影像得到相对深度；论文式说明与后续工作见 OrbitalNet 的"卫星建筑 3D"介绍页。论文作者的原话是：从单张卫星图估计的深度，可以生成几何上与 LOD2 相当的建筑模型。
• 不能：输出不直接给出米制建筑高度、DSM 或 DEM。生成 3D 建筑、以及把建筑放到 DEM 上，都是独立的后续步骤。
• 不使用：建筑多边形、DEM、相机外参（exterior orientation）都不是输入。

示例用的是 WorldView-2 归档影像（50 cm 分辨率）；因为压缩噪声让建筑边界不清，他们先做了 2× 超分与图像增强。

二、模型与处理流水线

用的是 depth-anything/DA3MONO-LARGE——官方模型卡定义为单目相对深度估计模型，与 DA3-LARGE、DA3METRIC-LARGE 不是同一个模型。

读 RGB GeoTIFF → DA3 推理 → 把深度预测缩回原始像素网格 → 存 GeoTIFF

分块版在此基础上：先切块 → 逐块推理 → 融合各块深度 → 再保存。注意：DA3 用的是官方 API；GeoTIFF 读写与分块融合是这篇文章附带的脚本实现的，不是 DA3 官方的地理分块推理功能。

三、环境：先把版本组合钉死

作者明确说：这块 GPU 的显存不是流程要求，显存需求取决于输入分辨率与环境；本文不评估其它 GPU 的最低显存与速度。另外提醒：nvidia-smi 显示的 CUDA Version、nvcc --version 显示的 Toolkit 版本、torch.version.cuda 显示的 PyTorch 版本含义不同；本文用的是 CUDA 12.8 的 PyTorch wheel，不替换系统 CUDA Toolkit，需要事先装好 NVIDIA 驱动。

四、建目录、装依赖、下载权重

conda create -n da3_bw python=3.10 pip -y
conda activate da3_bw
mkdir -p ~/da3_geotiff/input ~/da3_geotiff/output ~/da3_geotiff/logs
cd ~/da3_geotiff

把原文附录里的 7 个脚本保存到 ~/da3_geotiff/：constraints.txt（钉版本）、setup.sh、check_env.py、download_model.py、infer_geotiff.py、da3_tile_io.py、infer_geotiff_tiled.py。然后：

bash setup.sh

setup.sh 会：① 安装 CUDA 12.8 版 PyTorch/torchvision/xFormers；② 把官方仓库 clone 到 vendor/Depth-Anything-3；③ 装 DA3 基础依赖与 Rasterio 等；④ 跑 pip check、import 检查与 CUDA 矩阵乘测试；⑤ 把 Git commit ID 与 pip freeze 存进 logs/。

注意：只装基础依赖，Gradio 与 3D Gaussian 输出的可选组件不装，推理用 infer_gs=False。检查环境：

python -m pip check
python check_env.py   # 应包含 CUDA runtime: 12.8、GPU 型号、Imports and CUDA matrix multiplication: OK

作者提醒：pin 了主包，但这不是全量锁定的环境；将来遇到依赖冲突，先看错误日志与下载的 commit，再决定是否放开 constraints。

下载权重：

python download_model.py
cat models/DA3MONO-LARGE/download_revision.txt

脚本会从 Hugging Face 官方仓库解析并下载特定 revision，把 revision ID 记录下来；推理只加载本地权重，不上传输入影像。

五、输入要求：uint8 的 8 位 RGB

• 8 位 uint8 的 RGB 源图；
• 带 CRS 与仿射变换的 GeoTIFF；
• 默认用 1/2/3 波段作 R/G/B；顺序不同要加 --bands（例如 --bands 3 2 1）；
• 不能把已有深度/高程图当输入。

16 位卫星影像要先统一转成 8 位 RGB：全图用同一种方法，避免简单 astype(uint8) 或逐块独立调对比度。脚本遇到 16 位影像会直接停下，不会自动转换。

第 4 个波段不传给模型；Rasterio 识别的 alpha / NoData 掩膜用来确定有效像素——缺失像素推理时用 RGB 中位数填充，输出时还原为 NoData，但这不能消除缺失区域对周边预测的影响。

六、整图推理：先看全貌

长任务用 tmux。命令：

python -u infer_geotiff.py \
  --input input/area_rgb.tif \
  --output-prefix output/area_da3_full_r1008 \
  --process-res 1008 \
  2>&1 | tee logs/area_da3_full_r1008.log

理解 --process-res 1008：它是送给模型的最长边近似尺寸，不是把原图切成 1008 像素的块。预处理会不裁剪地缩放到合适的 patch 尺寸。输出深度再用双线性插值缩回原图尺寸——所以输入输出像素尺寸一致，不代表缩放推理中丢掉的细节被找回来了。

作者观察到：整图推理时预测的建筑边界发糊，可能是整图被内部下采样所致。

七、分块推理：300 + 100 + 518 + shift

改用原图上的小块推理：

python -u infer_geotiff_tiled.py \
  --input input/area_rgb.tif \
  --output-prefix output/area_da3_t300_o100_r518_shift \
  --tile-size 300 --overlap 100 \
  --process-res 518 --alignment shift \
  2>&1 | tee logs/area_da3_t300_o100_r518_shift.log

几个要点：

• 518 是 14 的倍数，包装脚本要求 process-res 为 14 的倍数；
• 把 300 像素放大到 518 只是模型输入准备，不提升影像的真实地面分辨率；
• 同样 300 像素，在 0.25 m/px 时覆盖 75×75 m，在 0.5 m/px 时覆盖 150×150 m——建筑与周边环境的占比不同，不能保证其它区域/分辨率下有同等精度；
• 图像边界处裁剪位置会回退以保持在图内，实际重叠可能超过 100 像素；宽或高不足 300 像素时用边缘像素填充。2048×1955 的示例图产生 10×10 = 100 块；
• 模型只在开头加载一次，块按顺序处理，每块预测缩回 300 网格后融合进镶嵌图。

三种融合模式

本文为比较建筑细节，显式选择 shift：提供的代码默认是 affine，这个参数不能省。shift 的偏移量取重叠区有效像素的中位数差（b = median(m − d)，d' = d + b）；第一块或无有效重叠时偏移为 0。融合用向块中心加权的加权平均。

这里说清："对齐"不是几何变换，只是把同一像素位置上预测的深度参考水平对齐；分块没有各自 0–1 归一化后再融合；shift 也无法解决真正的尺度差异——仍可能残留与扫描顺序相关的误差累积、以及重叠区平均带来的模糊。

八、输出文件怎么读

GeoTIFF 输出保留输入的 CRS、仿射变换、宽高；NoData 是 -9999。无效像素位置保留，但任意 TIFF 标签与原 NoData 值不会全部原样复制。分块版的 _depth.tif 是融合校正后的相对深度，不是各块未校正的预测；shift/affine 校正可能产生负值。

关键警告：near01 不是建筑高度

显示图用的是相对全图有效深度值的第 1 与第 99 百分位做线性拉伸与反向：

N = clip((P99 − D) / (P99 − P1), 0, 1)

所以它是对比度调整 + 深度方向线性反转，不是逆深度 1/D，也不是米制高度。而且每张图的显示范围是独立算的——不同区域的 near01 里，同样亮度不代表同样深度/高度。做数值处理请用 _depth.tif。

九、在 QGIS 里检查

1. 载入原始 RGB GeoTIFF 与 _near01.tif；
2. _near01.tif 用 Singleband gray 显示；
3. 最小 0、最大 1，色带黑→白；
4. 在相同位置与比例下，检查建筑边界、屋脊、屋面与道路的关系。

显示 _depth.tif 时按实际值域拉伸；固定 0–1 会让大量像素显示为纯白或纯黑——白色图片本身不能证明推理失败。

脚本还提供坐标与数值自检：src.crs == dst.crs、仿射变换一致、宽高一致、有效像素位置一致（src_valid == ~mask）、值有限，并打印 NoData 与 min/median/max。作者提醒：这些检查验证的是定位与格式，不评估深度精度。

示例结果与误读风险

输入是 2× 超分后的 WorldView-2 归档影像；输出里建筑与周边地面、部分屋面起伏表现为亮度变化，但整幅图也有大范围亮度变化——可能来自地形效应、估计误差或分块融合，单看这张图无法区分。因此：不要把屋面亮度直接当成建筑高度；相对地面的差异必须与实测值分别核对。

十、常见问题速查

另外：换区域要改输入路径与输出名，不会复用上一区域结果；脚本禁止覆盖已有输出，重跑要换 --output-prefix；不支持中断续跑。

十一、工程视角的三条结论

1. 这是一个可靠的第一步，不是完整管线。它把"单图 → 相对深度"做成了可复现的脚本；到"米制高度 / DSM / 建筑模型"之间，还有高程基准、尺度恢复与建模等步骤。
2. 分块融合是效果与代价的取舍。tiling 能让建筑边界更锐利，但引入对齐假设与扫描顺序误差；shift 保留了局部起伏幅度，affine 对齐尺度却会改动起伏——先想清楚你要哪种。
3. 目视对比不等于验证。作者明确说这是视觉比较，不是对建筑高度或屋脊坡度做实测验证——把它当探索工具，不当测量工具。

来源

• dev.to / OrbitalNet, Creating Depth GeoTIFFs from Satellite and Aerial Imagery with Depth Anything 3（2026-10-13）：https://dev.to/lehua555/creating-depth-geotiffs-from-satellite-and-aerial-imagery-with-depth-anything-3-from-environment-4361
• Depth Anything 3 官方仓库：https://github.com/ByteDance-Seed/Depth-Anything-3
• DA3MONO-LARGE 模型卡：https://huggingface.co/depth-anything/DA3MONO-LARGE

同主题阅读

• RTK vs PPK：无人机测绘怎么选
• Shapefile 与 GeoJSON：用 MapJS 在线预览 GIS 数据
• OpenDRIVE (xodr) 地图指南
• 专题：点云 / 3D 扫描 / 感知完全指南

本文由 BimAnt 编译整理，转载请注明出处。

本文属于「点云 / 3D 扫描」专题。查看专题全部文章 →