Tag · 35 篇
前馈三维重建
tttLRM：面向长上下文与自回归三维重建的测试时训练
tttLRM: Test-Time Training for Long Context and Autoregressive 3D Reconstruction
把多视角观测压缩进 TTT 层的快速权重作为隐式三维表示，再解码为高斯泼溅，为长序列/流式输入的三维重建提供线性复杂度方案；其「新视角合成预训练迁移到显式三维建模」的结论对做前馈三维重建的读者有直接参考价值。
iLRM：迭代式大型三维重建模型
iLRM: An Iterative Large 3D Reconstruction Model
把多视图全局注意力拆成两阶段注意力、并把场景表示与输入图像解耦，是让前馈 3DGS 重建在视图数与分辨率增大时仍可扩展的通用手段，可直接迁移到任何多视图 Transformer 重建或新视角合成管线。
ZipMap：基于测试时训练的线性时间有状态三维重建
ZipMap: Linear-Time Stateful 3D Reconstruction via Test-Time Training
用测试时训练层把整组图像压缩成紧凑的隐场景状态，将多视图前馈重建的二次复杂度降到线性，视觉研究者可直接借鉴这一「有状态前馈」范式处理大规模图像集与实时场景查询。
VGGT-Ω
VGGT-Ω
用单一密集预测头加多任务监督替代高分辨率卷积层与全局注意力，并以场景 token 做特征聚合，这套架构与自监督训练协议可直接迁移到其他前馈三维重建或位姿估计模型的规模化训练中。
VGG-T$^3$：大规模离线前馈三维重建
VGG-T$^3$: Offline Feed-Forward 3D Reconstruction at Scale
用测试时训练把随视角数增长的 KV 场景表示蒸馏进固定大小的 MLP，使前馈式多视图重建的复杂度从二次降为线性，可直接用于大规模图像集的三维重建与基于场景表示的视觉定位。
V-DPM：基于动态点图的四维视频重建
V-DPM: 4D Video Reconstruction with Dynamic Point Maps
把 DUSt3R 的不变点图扩展到视频序列并显式建模每点三维运动，可直接复用于动态场景的前馈式 4D 重建与相机位姿估计；其「在 VGGT 上用少量合成数据适配新表示」的做法，也为把静态预训练重建器迁移到动态设定提供了可复用范式。
解锁三维视觉几何估计的关键因素之力
Unlocking the Power of Critical Factors for 3D Visual Geometry Estimation
论文通过系统性消融实验揭示了数据多样性、损失函数设计、监督对齐方式等关键因素对前馈三维几何估计的影响，并提出了结合优化方法优势的一致性损失函数和高分辨率架构设计，这些发现和设计可直接用于改进深度估计、相机位姿估计和点云重建等视觉任务。
SparseSplat：面向可应用的像素非对齐预测前馈三维高斯泼溅
SparseSplat: Towards Applicable Feed-Forward 3D Gaussian Splatting with Pixel-Unaligned Prediction
用熵驱动的概率采样按局部纹理丰富度自适应决定高斯密度，并配合点云网络编码局部上下文，可直接用于需要紧凑 3DGS 表示的下游重建与实时渲染管线。
Scal3R：面向大规模三维重建的可扩展测试时训练
Scal3R: Scalable Test-Time Training for Large-Scale 3D Reconstruction
用一组轻量神经子网络作为可压缩的全局上下文记忆，并在测试时以自监督目标快速适配，为长视频前馈重建提供了一种不显著增加算力的长程记忆机制，可直接迁移到 SLAM、长序列位姿估计与流式三维重建。
SR3R：重新思考基于前馈高斯泼溅的超分辨率三维重建
SR3R: Rethinking Super-Resolution 3D Reconstruction With Feed-Forward Gaussian Splatting
将三维超分辨率从逐场景优化转为前馈映射，利用大规模多场景数据学习三维高频先验，可直接与任意前馈3DGS骨干网络结合，提升稀疏低分辨率输入下的重建保真度与跨场景泛化能力。
S$^2$-MLLM：以结构引导提升多模态大语言模型空间推理能力用于3D视觉定位
S$^2$-MLLM: Boosting Spatial Reasoning Capability of MLLMs for 3D Visual Grounding with Structural Guidance
用前馈三维重建的结构感知作为隐式空间引导，替代逐视角点云渲染，让 MLLM 在不重建点云的情况下获得 3D 空间推理能力；其 intra/inter-view 注意力加多级位置编码的结构增强模块可直接迁移到任何需要把多视角 2D 特征对齐到 3D 空间的 VLM 任务。
RnG：面向部分观测下完整三维建模的统一 Transformer
RnG: A Unified Transformer for Complete 3D Modeling from Partial Observations
把 KV-cache 当作隐式三维表示、用重建引导的因果注意力在注意力层面分离已观测与未观测区域，这一思路可直接迁移到稀疏视角重建、新视角合成以及任何需要「补全未见几何」的前馈三维模型。
QVGGT：训练后量化的视觉几何基础 Transformer
QVGGT: Post-Training Quantized Visual Geometry Grounded Transformer
对需要在边缘设备部署前馈式三维重建模型的研究者，本文给出了按 Transformer 块敏感度分配精度的混合精度量化方案，以及用 PCA 全局补偿词元处理相机/寄存器离群词元的校准策略，可直接迁移到其他大规模几何 Transformer 的压缩。
Point4Cast：流式动态场景重建与预测
Point4Cast: Streaming Dynamic Scene Reconstruction and Forecasting
把「持续演化的潜时空表征 + 更新/读出」这一流式范式用于任意时刻查询，可让在线三维重建从「逐帧点图」升级为可外推的未来几何预测，并顺带免费得到场景流；对做动态 SLAM、自动驾驶 BEV/点图预测、视频到三维的工作都可直接复用其更新-读出接口。
PanoVGGT：基于全景图像的前馈三维重建
PanoVGGT: Feed-Forward 3D Reconstruction from Panoramic Imagery
将前馈式三维重建模型（如VGGT）扩展到全景图像，通过球面感知位置编码和三轴SO(3)旋转增强处理非针孔畸变，并引入随机锚定策略解决全局坐标系歧义，为全景相机下的联合位姿估计与稠密重建提供可复用方案。
Pano3DComposer：从单张全景图像前馈式组合生成三维场景
Pano3DComposer: Feed-Forward Compositional 3D Scene Generation from Single Panoramic Image
把现成的 image-to-3D 模型生成的局部坐标物体，通过改造 VGGT 的前馈变换预测器直接放到世界坐标，绕开迭代布局优化；做单图/全景场景合成或需要把生成物体摆进场景的工作可以复用这个「物体-世界变换预测 + 渲染反馈由粗到细对齐」的范式。
PE3R：感知高效的三维重建
PE3R: Perception-Efficient 3D Reconstruction
把 2D 语义先验与多视图几何融合进一个免调优的前馈管线，可直接用于从无位姿图像做开放词表三维语义重建，替代逐场景优化，并可作为三维场景理解中语义与几何联合评测的基线。
离网：面向前馈三维高斯泼溅的图元检测
Off The Grid: Detection of Primitives for Feed-Forward 3D Gaussian Splatting
将关键点检测思想引入前馈3DGS的图元放置，用子像素级自适应分布替代像素网格，并基于香农熵动态分配每个图像块的图元数量，为提升前馈三维重建的质量与效率提供了可复用的解码器设计。
从无位姿多视图图像中学习面向空间智能的三维表征
Learning 3D Representations for Spatial Intelligence from Unposed Multi-View Images
在无相机位姿的多视图输入下，用双掩码迫使编码器从残缺视觉线索推断结构，并用位姿条件重投影把预测的3D点图与语义图对齐到图像平面，可作为无位姿前馈3D表征预训练的可复用范式，直接服务场景理解与具身感知的下游任务。
全局运动恢复结构与前馈重建的结合
Global Structure-from-Motion Meets Feedforward Reconstruction
将前馈重建模型作为经典 SfM 流程中的组件（如初始化、匹配或失败场景兜底），在低纹理、弱重叠、对称场景下弥补经典 SfM 的失效，同时保留经典方法在标准场景下的精度与可扩展性；对做三维重建的人，这是一个可直接复用的混合式 pipeline 设计范式。
从无约束图像中泛化的稀疏视角三维重建
Generalizable Sparse-View 3D Reconstruction from Unconstrained Images
提出无需逐场景优化的前馈式稀疏视角室外重建框架，利用学习到的几何先验从无位姿互联网图像直接预测深度、相机参数和规范空间三维高斯，并通过外观适配器与语义分割处理光照变化和瞬态遮挡，为稀疏输入下的实时新视角合成提供了可复用的技术路线。
FreeScale：通过确定性感知的自由视角生成扩展三维场景
FreeScale: Scaling 3D Scenes via Certainty-Aware Free-View Generation
把不完美的重建场景当作几何代理，用确定性感知的自由视角采样筛选语义有意义且受重建误差影响小的新视角，从而把少量真实序列扩成可训练前馈 NVS 模型的大规模数据；这套「重建→采样→再训练」的数据引擎可直接用于缓解 3D 视觉的数据瓶颈。
Flow3r：面向可扩展视觉几何学习的因子化光流预测
Flow3r: Factored Flow Prediction for Scalable Visual Geometry Learning
把稠密 2D 对应（flow）当作无标签监督信号，并用「几何 latent × 位姿 latent」的因子化光流预测来同时驱动场景几何与相机运动的学习，可直接迁移到现有前馈式 3D/4D 重建架构上，用于在无标注单目视频上扩展训练。
FlashVGGT：基于压缩描述子注意力的高效可扩展视觉几何 Transformer
FlashVGGT: Efficient and Scalable Visual Geometry Transformers with Compressed Descriptor Attention
用每帧压缩出的描述子 token 替代全量 token 做全局注意力，把 VGGT 的二次复杂度降到与描述子数量相关，并通过缓存描述子的分块递归机制支持超长序列在线推理；做多视图前馈重建、长序列三维重建的人可直接复用这一注意力压缩与分块缓存思路。
基于视觉几何Transformer的快速空间跟踪
Fast Spatial Tracking with Visual Geometry Transformer
提出一种基于前馈视觉几何Transformer的实时空间点跟踪框架，其双分支嵌入设计与交互模块可复用于其他需要全局-局部特征融合的视频理解任务，如视频目标分割与光流估计。
视觉几何基础 Transformer 中涌现的离群视图剔除能力
Emergent Outlier View Rejection in Visual Geometry Grounded Transformers
对做前馈式三维重建的人，这篇论文给出一个免训练、免监督的离群视图剔除手段：直接探测 VGGT 某一中间层的内部表征来打分过滤噪声输入，可即插即用地接到现有前馈重建流程的输入端。
EcoSplat：效率可控的多视图图像前馈三维高斯泼溅
EcoSplat: Efficiency-controllable Feed-forward 3D Gaussian Splatting from Multi-view Images
把「预测多少个高斯基元」变成推理时可调的显式控制变量，用两阶段（像素对齐预训练 + 重要性感知微调）让同一前馈模型在任意基元预算下输出 3DGS 表示，可直接用于显存/带宽受限的渲染与下游任务。
DynamicVGGT：学习动态点图用于自动驾驶中的4D场景重建
DynamicVGGT: Learning Dynamic Point Maps for 4D Scene Reconstruction in Autonomous Driving
将前馈式三维重建模型（VGGT）扩展到动态场景，通过联合预测当前与未来点图并引入运动感知时序注意力与动态高斯泼溅头，为自动驾驶中的4D重建提供了一种无需优化的前馈方案。
面向高效多视图几何 Transformer 的块稀疏全局注意力
Block-Sparse Global Attention for Efficient Multi-View Geometry Transformers
把稠密全局注意力换成免训练的块稀疏注意力，可直接插到 VGGT、π³、MapAnything 这类前馈多视图重建 Transformer 中，在几乎不掉性能的前提下把大图集推理加速 3 倍以上，是处理大规模多视图输入时一个即插即用的效率手段。
AnchorSplat：带三维几何先验的前馈三维高斯泼溅
AnchorSplat: Feed-Forward 3D Gaussian Splatting With 3D Geometric Priors
把像素对齐的高斯表示换成由稀疏点云/体素/RGB-D 点云引导的锚点对齐高斯表示，使高斯数量与图像分辨率、视角数解耦，可直接用于场景级前馈重建与新视角合成，降低高斯原语数量同时提升视角一致性。
基于三维美学场的相机视角美学建议
Aesthetic Camera Viewpoint Suggestion with 3D Aesthetic Field
用前馈 3D 高斯泼溅网络把预训练 2D 美学模型的打分蒸馏成三维美学场，使仅凭稀疏视角即可对新视角做美学预测；这套「2D 先验蒸馏进 3D 表示 + 粗采样加梯度精修」的流程，可迁移到任何需要在三维空间中优化相机或视角的视觉任务。
ART：铰接重建 Transformer
ART: Articulated Reconstruction Transformer
把铰接物体拆成刚体部件、用可学习 part slot 从稀疏多状态 RGB 一次性前馈回归几何、纹理与显式关节参数，可直接导出到仿真器，为机器人操作与可交互资产构建提供了免优化的重建范式。
AREA3D：融合前馈三维感知与视觉语言引导的主动重建智能体
AREA3D: Active Reconstruction Agent with Unified Feed-Forward 3D Perception and Vision-Language Guidance
把前馈三维模型（如 VGGT 类）与不确定性建模解耦，用视觉语言模型提供语义先验来指导下一最佳视角选择，可直接迁移到主动式三维扫描、机器人探索和稀疏视角重建流程中。
AMB3R：带后端的前馈式精确度量尺度三维重建
AMB3R: Accurate Feed-forward Metric-scale 3D Reconstruction with Backend
用稀疏紧凑的体积场景表示作为后端，把多视图前馈网络零优化地扩展到未标定的视觉里程计与任意数量图像的 SfM，可直接复用于需要度量尺度稠密重建与位姿估计的视觉管线。
4DEquine：解耦运动与外观的单目视频四维马科动物重建
4DEquine: Disentangling Motion and Appearance for 4D Equine Reconstruction from Monocular Video
将4D动物重建解耦为动态运动回归与静态外观重建，用时空Transformer从单目视频回归像素对齐的SMPL类序列，并用前馈网络从单张图像重建可动画的3D高斯化身，为单目视频4D重建提供了可复用的解耦范式与合成数据训练策略。