# 🧠 Depth Anything

👥 **Integrantes:**

- 👤 Guillermo
- 👤 Jorge

📑 **Material de apoyo:**

- 📊 **Diapositivas:** [Depth Anything](https://docs.google.com/presentation/d/1Cush8a2Mg9gXjRQt7HMB9J17a8WPpoqdDwsqi8vghfw/view)
- 📜 **Paper:** [Depth Anything (arXiv)](https://openaccess.thecvf.com/content/CVPR2024/papers/Yang_Depth_Anything_Unleashing_the_Power_of_Large-Scale_Unlabeled_Data_CVPR_2024_paper.pdf)
- 💻 **Código externo:** [Repositorio oficial en GitHub](https://github.com/LiheYoung/Depth-Anything)

---
## 🎯 **Objetivos**

📢 Como objetivos de la presente sesión, se plantean:  
✅ Comprender el funcionamiento general de **Depth Anything** como modelo de estimación monocular de profundidad.   
✅ Reconocer sus ventajas frente a modelos supervisados y métodos tradicionales.

---

## 📊 **Resultados Esperados**

📍 Se espera que al final de esta sesión se:  
🔹 Comprenda la arquitectura y funcionamiento del encoder preentrenado y del decoder monocular.  
🔹 Observar como se pueden utilizar datos no etiquetados para mejorar el funcionamiento de la red.

---

## 📚 **Referencias**

📖 Esta sección recopila enlaces a recursos relevantes sobre visión por computadora y estimación de profundidad:

🔹 [📄 Space Depth Anything](https://huggingface.co/spaces/LiheYoung/Depth-Anything)  
🔹 [🌐 Página del proyecto con demos](https://depth-anything.github.io/)