2K Retrofit: Entropy-Guided Efficient Sparse Refinement for High-Resolution 3D Geometry Prediction
作者：Tianbao Zhang，Zhenyu Liang，Zhenbo Song，Nana Wang，Xiaomei Zhang， Xudong Cai，Zheng Zhu，Kejian Wu，Gang Wang，Zhaoxin Fan 单位：BUAA，SJTU ，GigaAI，XREAL，NUST，RUC，NUDT，UCAS，BIBMS 会议：2026...
DVD: Deterministic Video Depth Estimation with Generative Priors
作者：Hongfei Zhang, Harold Haodong Chen, Chenfei Liao, Jing He, Zixin Zhang, Haodong Li, Yihao Liang, Kanghao Chen, Bin Ren, Xu Zheng, Shuai Yang, Kun Zhou, Yinchuan Li, Nicu Sebe, Ying-Cong Chen 单位：HKUST(GZ), HKUST, UCSD, Princeton University, MBZUAI, SZU, Knowin, UniTrento 会议：2026 Arxiv 链接：https://arxiv.org/abs/2603.12250 研究动机1.生成式方法具有强大的视频先验和零样本泛化能力，但容易出现随机采样带来的几何幻觉和尺度漂移 2.判别式方法虽然稳定高效，但又高度依赖大规模标注数据来消除语义歧义 3.打破这种...
DepthMaster: Taming Diffusion Models for Monocular Depth Estimation
作者：Ziyang Song, Zerong Wang, Bo Li , Hao Zhang , Ruijie Zhu , Li Liu , Peng-Tao Jiang , Tianzhu Zhang 单位：University of Science and Technology of China, VIVO 会议：2025 Arxiv 链接：https://indu1ge.github.io/DepthMaster_page/ 研究动机 现有的生成式深度估计模型，生成模型的中间特征会对纹理进行过度表达，导致错误的纹理预测 为了提高推理速度，采用单步去噪推理，但会丢失细节 核心方法 1.通过特征对齐模块，引入额外的视觉特征增强生成模型特征2.通过傅立叶增强模块提高模型的细节表达能力数据集Train： Hypersim Virtual KITTI Eval： NYUv2 ScanNet KITTI ETH3D DIODE 算力1张H800 实验结果 优势与不足优势 率先采用了Feature...
PointWorld: Scaling 3D World Models for In-The-Wild Robotic Manipulation
作者：Wenlong Huang, Yu-Wei Chao, Arsalan Mousavian, Ming-Yu Liu Dieter Fox, Kaichun Mo, Li Fei-Fei 单位：Stanford University，NVIDIA 会议：2026 Arxiv 研究动机 对于通用机器人而言，在非结构化环境中进行世界建模是至关重要的 基于物理的模型 : 预测精准，但面临“虚实差距 ”，且需要针对特定环境进行繁琐的建模。 基于学习的动力学模型: 虽然能从交互中学习，但通常依赖于特定领域的归纳偏置 视频生成模型: 虽然能生成逼真的视觉效果（如 Sora 等），但缺乏明确的动作条件控制，且在物理一致性上往往表现不佳 核心方法 1.利用Point Flow对状态动作进行统一的建模 2.对静态动态点的Loss进行加权处理，对noise...
MetricAnything: Scaling Metric Depth Pretraining with Noisy Heterogeneous Sources
作者：Baorui Ma,Jiahui Yang,Donglin Di,Xuancheng Zhang, Jianxun Cui, Hao Li, Xie Yan, Wei Chen 单位：Li Auto Inc 会议：2026 Arxiv 链接：https://metric-anything.github.io/metric-anything-io/ 研究动机由于数据来源复杂，暂无工作将Scaling原则应用于绝对深度估计，实现一个通用的模型 核心方法1.构造20M数据 2.Deep-to-Deep...
WildRayZer: Self-supervised Large View Synthesis in Dynamic Environments
作者：Xuweiyi Chen, Wentao Zhou, Zezhou Cheng 单位：University of Virginia 会议：2026 CVPR 链接：https://wild-rayzer.cs.virginia.edu/ 研究动机现有自监督新视角合成方法均基于三维场景静态假设 核心方法 1.构造动态数据集通过挖掘网络手持影像构建动态数据集D-RE10K 2.融合DINOV3特征的伪运动标签构建 3.mask动态物体进行render数据集 Dynamic RealEstate-10K D-RE10K-iPhone RealEstate10K 算力4张H100 实验结果 优势与不足优势 完全自监督 拓展了自监督NVS在动态场景中的应用 不足 所预测的运动mask质量仍有待提高，对于特殊的纹理，如人影等仍然work得不好，部分分割与欠分割 并不算是真正的动态场景重建，并不能够将动态的物体重建出来 记忆点 Unposed 用COCO数据集的物体标签直接复制粘贴到图像中，以增强模型对随机物体的鲁棒性 DINOV3特征能够加快收敛，预测结果更加Sharp
VGGT: Visual Geometry Grounded Transformer
摘要三维计算机视觉通常被约束在单个任务中，因此我们提出了VGGT，一个前馈神经网络，直接推理场景的所有三维属性，包括相机参数，点云，深度图和三维点轨迹。同时该方法简单且效率高，可以在一秒内重建图像。 简介传统的三维重建任务采用视觉几何方法，但是会增加求解的复杂性和计算成本。DUSt3R等方法虽然能直接使用一个神经网络实现三维任务，但只能接受两个图像的输入，需要后处理来重建更多的图像。 VGGT不需要特定的网络，使用的是标准的transformer结构，在大规模公开数据集上训练。尽管存在潜在的冗余，但学习预测这些相互关联的3D属性可以提高整体准确性。在推理过程中，我们可以从单独预测的深度和相机参数中推导出点云，相比使用点云head可以得到更高的精度。 方法 问题定义和符号输入是$N$张图像$I_i \in \mathbb{R}^{3 \times H \times W}$ 的序列$(I_i)^N_{i=1}$，VGGT transofrmer将序列映射为对应的三维注释： f \left( (I_i)_{i=1}^N \right) = (\mathbf{g}_i, D_i,...
最新文章