Depth Anything是一种实用的鲁棒单眼深度估计解决方案，通过数据引擎扩大数据集，提高模型的泛化能力。该解决方案通过收集和自动注释大规模未标记数据，增加数据覆盖范围，减少泛化误差。通过简单而有效的策略和辅助监督方法，建立了新的SOTA深度模型，评估了其零-shot功能和微调深度信息。

本研究讨论了第三届单目深度估计挑战赛（MDEC）的结果，重点关注挑战赛对SYNS-Patches数据集的零样本泛化。挑战赛接收了19份提交报告，其中有10份报告详细描述了他们的方法，突出了在方法核心使用了Depth Anything等基础模型的广泛应用。挑战赛获胜者将3D F-Score性能从17.51％提高到23.72％。

该文章介绍了一种创新的实时内窥镜动态重建方法，通过使用4D高斯飞溅和无需地面真实深度数据，提高机器人辅助微创手术效果。方法通过引入时间组件和轻量级MLP捕捉时间高斯变形，实现了具有可变条件的动态手术场景的重建。同时，通过整合Depth-Anything，从单目视图中生成伪深度图，增强了深度引导重建过程。该方法在两个手术数据集上验证了实时渲染、高效计算和重建准确性，展示了改善手术辅助的巨大潜力。