本稿では、任意の数の視覚入力（カメラポーズが既知である場合も未知である場合も）から空間的に一貫した幾何構造を予測するモデル「Depth Anything 3（DA3）」を提案する。最小限のモデル設計を追求した結果、DA3は以下の2つの重要な知見を得た：（1）アーキテクチャの特殊化を施さずに、単一のシンプルなトランスフォーマー（例えば、ヴァニラ版DINOエンコーダ）をバックボーンとして用いるだけで十分であり、（2）複雑なマルチタスク学習を回避するため、単一の深度・レイ予測ターゲットを採用すれば十分である。教師-生徒学習フレームワークを用いることで、DA3はDepth Anything 2（DA2）と同等の詳細度と汎化性能を達成した。さらに、カメラポーズ推定、任意視点幾何構造推定、視覚レンダリングをカバーする新たな視覚幾何ベンチマークを構築した。このベンチマーク上でDA3はすべてのタスクにおいて新たなSOTA（最先端）を達成し、従来のSOTAモデルVGGTを平均してカメラポーズ精度で44.3%、幾何精度で25.1%上回った。また、単眼深度推定においてもDA2を上回る性能を示した。本研究で開発されたすべてのモデルは、公開の学術データセットのみを用いて訓練されている。