关于大家问的那个"sky-140"，实际上它是最早要搞明白的“坑”之一。大量同行刚接触这个技术时，好办把它当成一般/平平的单目视觉直接上手，结局在第一次跑通模型的时候，发现模型在那跟你的摄像头打架。
实际上早在 2021 年，国内的几个大厂就启动喷了，他们手里的视频全是低帧率的，要么分辨率根本压不住大模型的计算量，害得模型一出，画面就糊成一片。
那时候我就在想，原来大家如此笨，连基础都搞不定。
后来我慢慢认定，要是连这个都搞不熟，赶明儿如何跟顶流对标？故此我把 sky-140 这种最原始的、还没被官方彻底包埋的开源项目，当成练手最好的“送分题”。我当年第一个刷过它的，是自家团队的实习生，结局他弄丢了训练好的权重，模型直接跑不起来，最终摔得鼻青脸肿。
那时候我就在想，如何把这玩意儿给理顺了，还得得看官方有没有现成的代码，毕竟源码糊了一地，哪位还愿意花工夫去整理？ 说到它的背景，那得提提 2023 年那个突然爆发的趋势。
那时候大家才发现，原来像 sky-140 这种类雪崩（Snowflake）架构的单目视觉，确实能跑通小白模型。它不像那会儿的那种大参数模型那么难调，只需求配个一般/平平的 yolov5-smp4 要么 yolo-v5 就行。并且它那个配置特别低，啥都不带，连啥也不带，就连不需求预训练权重，直接就能用 OpenCV 跑通一切。
那时候我就在想，这简直是把单目视觉的门槛给拉低了一大截。我后来试过，把它改成 mmdetection 的部署版，效果居然没变，反而出于格式更统一，部署起来快多了。就连大量中小公司都靠它来攒培训数据。
说实话，它忒好办了，好办到让人质疑是不是有啥后门。但我猜，可能就是那个零理论的人，把最核心的局部都写死了，让后来的人认定这玩意儿忒好办了，没人愿意再费心思去优化。 再说说它的实际应用场景，这玩意儿干啥都管，特别是那个“视觉修正”功能，简直牛得离谱。它那个开源源码，竟然能自动把摄像头画面里的透视效果矫正掉。我当年第一次用这个，是把一个低像素、长焦镜头拍的照片，用 sky-140 一跑，居然能把画面给“拉直”了。
那是确实像，原本歪七扭八的，目前变得平整又清楚，连噪点都被滤得差不多了。
那时候我就在想，这简直就是给单目视觉装了一个隐形滤镜，能把一切脏东西都擦干净利落。它就连还能自动去透视，把畸变校正，这对做 3D 重建要么生成式视频特别关键。 但我务必得日决一下，大量人用它的地方实际上挺荒谬的。
有人拿它去跑人脸检测，结局出于预处理参数设错了，把背景也当成人脸算进去了，最终生成的视频全是黑乎乎的背景，人脸还飘忽不定。
还有人把它当成视频生成器，直接跑，输出出来的视频画面不清楚，纹理都没法看清，彻底不像成品。
那时候我就在想，这玩意儿到底是个啥？是个玩具还是半成品？它能不能真正垂直落地？我认定肯定不中，目前的视频生成、3D 重建，绝大多数的底层逻辑还是得靠那些大模型去解决，这种轻量的、单参数的模型， efterdowon 要么别的啥方案，可能才是正解。 最终说说我的看法，sky-140 这东西，说白了就是个早期的技术展示板。它代表了单目视觉在入门阶段的某种“天真”，那种认定只要参数够好办、数据够干净利落，模型就能随意跑的念头。目前看来，这种想法实际上挺悬的。目前的环境变了，数据源多了，模型大了，光靠这种低配版的单目视觉，确实挺难撑住。
故此啊，要是你打算做单目视觉相关的研究，别急着上这种低配版的，得先去啃啃那些大模型的基础，再寻思如何把它们结合起来。
不管你是做自动驾驶，还是做娱乐特效，还是做 3D 重建，还是做视频生成，目前单目视觉能做的东西都忒多了，但能做出来的东西也忒多了。sky-140 就是个极端的例子，它证明白单目视觉在理论上是可行的，但在实践上，确实得看你如何搭台子。别忒把它当啥金钥匙，它就是个测试底色的，看看你的底子是不是够厚。