Tag · 8 篇

测试时训练

分布 3D 视觉与重建4自监督与表征学习1鲁棒性与安全1视频理解与时序1视觉语言模型1

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。

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。

ViT$^3$: Unlocking Test-Time Training in Vision

把注意力重写为测试时的在线学习问题，用键值对在线构建紧凑内模型，为视觉主干提供线性复杂度且可并行化的替代方案；做视觉骨干替换或长序列/高分辨率视觉建模时，可直接把 ViT^3 当作 Mamba、线性注意力的对照基线。

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。

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。

Low-Rank Test-Time Training for Pre-Trained Point Cloud Models

把测试时训练从解码器式辅助目标改为特征层面的掩码一致性对齐，并用 LoRA 低秩单元实现参数高效的自适应，可直接迁移到其他预训练视觉骨干（如点云/图像 Transformer）的 OOD 自适应场景。

Learning Cross-View Object Correspondence via Cycle-Consistent Mask Prediction

提出基于条件二值分割的跨视角物体对应框架，利用循环一致性作为自监督信号，并支持测试时训练，可复用于视频中的物体跟踪与跨视角定位任务。

ARC Is a Vision Problem!

把 ARC 的网格谜题当作图像到图像转换任务，用原生 ViT 在「画布」表示上从零训练并在测试时训练中泛化到新任务，为视觉研究者提供了一个用纯视觉范式做抽象推理的可复用设定与基线。