Nous présentons Depth Anything at Any Condition (DepthAnything-AC), un modèle de base pour l'estimation de profondeur monulaire (MDE) capable de gérer des conditions environnementales diverses. Les modèles MDE de base précédents ont obtenu des performances impressionnantes dans des scènes générales, mais ils ne se comportent pas bien dans des environnements ouverts et complexes impliquant des conditions difficiles, telles que les variations d'éclairage, les conditions météorologiques défavorables et les distorsions induites par les capteurs. Pour surmonter les défis liés à la rareté des données et à l'impossibilité de générer des pseudo-étiquettes de haute qualité à partir d'images corrompues, nous proposons un paradigme de fine-tuning basé sur une régularisation non supervisée de cohérence qui nécessite seulement une quantité relativement faible de données non étiquetées. De plus, nous introduisons la Contrainte de Distance Spatiale pour imposer explicitement au modèle d'apprendre les relations relatives au niveau des patches, ce qui conduit à des frontières sémantiques plus nettes et à des détails plus précis.Les résultats expérimentaux démontrent les capacités zero-shot de DepthAnything-AC sur diverses基准 (benchmarks)，y compris des benchmarks météorologiques réels défavorables, des benchmarks synthétiques corrompus et des benchmarks généraux.Page du projet : https://ghost233lism.github.io/depthanything-AC-pageCode : https://github.com/HVision-NKU/DepthAnythingAC(Note: "基准" is a Chinese term that was included in the original text. I have translated it to "benchmarks" in French to maintain consistency with the rest of the translation.)