Video Depth Anything — Small (cópia de trabalho)
Cópia do checkpoint oficial Video Depth Anything Small (video_depth_anything_vits.pth),
do repo depth-anything/Video-Depth-Anything-Small
(ByteDance, Apache-2.0, paper CVPR 2025 "Video Depth Anything: Consistent Depth Estimation
for Super-Long Videos").
Por que essa cópia existe
O modelo é usado no nosso estúdio como passe de profundidade temporalmente consistente para clipes de movimento (máscara que preserva o como — movimento, timing, pose — e não carrega o quem — identidade). O resultado entra como vídeo-referência em pipelines de geração.
O Comfy Cloud (comfy.org) não tem nó de Video Depth Anything no catálogo — apenas Depth Anything V2 por quadro (que oscila/pula em detalhe fino, ex.: dedos). Por isso o VDA roda fora da cloud e a máscara resultante é o artefato que sobe.
Uso
# com o repo oficial de código: https://github.com/DepthAnything/Video-Depth-Anything
model = VideoDepthAnything(**cfg) # encoder vits
model.load_state_dict(torch.load("video_depth_anything_vits.pth", map_location="cpu"), strict=True)
Entrada esperada: vídeo em 24 fps, resolucao multipla de 14 (ex.: 518x294), janelas de 32+ quadros. O VDA mantem coerencia temporal em vídeos longos (treinado com perda de consistencia temporal).
Licença e atribuição
Pesos oficiais: Apache-2.0 (© ByteDance / Depth Anything contributors). Esta cópia é apenas um espelho de conveniência, sem modificações no arquivo. Os checkpoints Base e Large são CC-BY-NC-4.0 (não-comercial) e de propósito não estão aqui.