重新审视长时序流式三维重建中的局部上下文
ABot-Recon 是一种从超长视频中进行三维场景重建的流式模型。它不维护庞大的长期记忆，而只缓存前 11 帧的键值特征。模型在当前相机坐标系中预测点图，并估计相邻帧之间的相对位姿，再通过序列组合恢复全局相机位姿和场景几何。轻量级时间细化器用于减少旋转漂移，考虑组合过程的位姿损失则用于训练多步位姿组合。在 Oxford Spires 基准测试中，ABot-Recon 的绝对轨迹误差为 4.35 米，相对旋转误差为 0.12 度；与此前最佳结果相比，两项误差均降低约 40%。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。