会议 : ECCV2026 论文 : ECCV 原文 项目 : https://LoGeR-project.github.io/ 领域 : 3D 视觉 关键词 : 稠密 3D 重建、长序列建模、混合记忆、滑窗注意力、测试时训练 LoGeR 将视频按块重建，用滑窗注意力保留邻块细节、用测试时训练更新的快权重记忆传递全局几何，带前馈位姿对齐的 LoGeR* 在 KITTI 上将平均 ATE 从 TTT3R 的 72.86 m 降至 18.65 m，但超长序列结果包含周期性状态重置。 DUSt3R、VGGT 和 π3 等几何基础模型，可以从多张图像直接预测稠密点图与相机位姿，减少对传统匹配和后端优化的依赖。问题是，块内多视角双向注意力擅长利用互补观测，却难以直接覆盖几千乃至上万帧：全局注意力的代价随序列长度二次增长。即便 FastVGGT 等方法降低了推理开销，训练时见过的有限空间范围也不自动变成城市尺度的重建能力。 把视频分成小块似乎能解决显存问题，但每一块独立估计的坐标系与尺度需要重新拼接。只靠相邻重叠帧求相似变换，会把局部尺度误差一路传下去；把全部历史压进 CUT3R 一类循环状态，则可能丢掉邻块精细对齐最需要的局部信息。这里有两个不同的记忆需求：附近的几何细节应尽量保真，遥远的历史则需要低成本地保留坐标与尺度参照。 因此，论文没有把“能装下更多帧”等同于“能重建更大的场景”，而是同时修改跨块信息通道和训练数据分布。 核心 idea：让邻块滑窗记忆负责高精度的局部衔接，让全局快权重记忆负责压缩后的长程几何参照，并用大场景数据与渐进课程训练教会两者协作。 输入是按时间排列的单目 RGB 视频，输出是逐帧相机坐标系下的稠密点图及全局坐标系下的相机位姿；用位姿变换点图即可得到世界坐标点云。视频按块顺序处理，块与块之间因果传播，块内仍允许双向多视角交互。因此，它是块级流式模型，而不是每收到一帧就立即输出的严格逐帧因果模型。 骨干继承 π3 的图像分块编码、逐帧注意力、块内双向注意力和预测头。在残差块中，处理顺序是逐帧注意力、稀疏插入的邻块滑窗记忆、全局快权重记忆、块内双向注意力；这一结构沿网络深度重复，最后解码点图与位姿。LoGeR* 再以重叠帧的位姿构造前馈刚体对齐。 图中压缩展示了重复的网络块，不表示整个网络只有一层注意力。邻块特征缓存和快权重是两种不同状态；前者只保存近期的显式特征，后者把更长历史写入有限大小的参数。 1. 块级几何推理：保留短窗口内的双向多视角能力 直接把双向模型改成逐帧递推，会削弱它利用多个视角恢复几何的能力。LoGeR 改为对连续帧分块，块间仅少量重叠，块内保留完整的多视角交互。每个网络块先独立处理各帧的空间特征，经过跨块记忆后，再做块内双向注意力，使当前块的几何推理同时看到本块多视角证据与过去传入的信息。 骨干的局部点图解码器预测每个像素在该帧相机坐标中的 3D 位置，位姿解码器预测相机到全局坐标的关系。把这两种输出分开很重要：局部形状正确并不保证所有块处于同一个世界坐标系，后面的记忆和全局监督正是为了解决这个差距。 分块也使单次局部推理更接近已有短序列训练数据的分布。固定分辨率、块大小与记忆容量时，处理更多块的总代价随序列长度线性增长；这不意味着块内注意力不再有二次开销，也不意味着输出全部点云不需要随帧数增加的存储。 2. 邻块滑窗记忆：把精细对齐信息留在显式特征中 邻块边界处的几何错误往往需要细粒度对应信息才能修正，而有限容量的压缩记忆无法保证这些细节都被保留。LoGeR 的滑窗注意力（Sliding Window Attention，SWA）访问前一块和当前块的逐帧注意力输出，让当前块能够直接使用上一块的高保真 token，而不是只读取一个压缩后的状态。 这条通道只跨相邻两个块，并且只在四个网络深度位置插入，避免把全历史 KV 缓存重新引入。论文所谓“无损局部记忆”，指保留未压缩特征，并非保证几何预测没有误差。随着窗口滑动，更早的显式特征不再可见，所以 SWA 单独使用仍无法维持长距离尺度参照。 3. 全局快权重记忆：先读取历史，再把当前块写入状态 另一条通道采用 Large-Chunk Test-Time Training（LaCT）：历史信息不以不断增长的 token 列表保存，而是压缩在快权重模块中。快权重采用 SwiGLU 网络，测试时以 Muon 优化器更新；骨干的慢权重在推理时保持冻结。这里的“测试时训练”是模型内部记忆状态的更新，不是重新训练整个重建网络。 第 3 节用键值关联解释这种记忆：用 key 预测对应的 value，把关联关系写入参数，之后再由 query 读出。第 4.1 节具体采用块级“先应用、后更新”：先把当前块表示送入已有快权重，注入历史几何信息，再用当前块的信息更新快权重，供下一块读取。预归一化用于稳定长序列状态传播。 快权重适合保留粗几何、坐标参照和尺度等可压缩信息，SWA 则保留附近细节，两者不能互相替代。但有限大小的状态并不等于无限可靠的记忆。论文长序列评测每五个窗口重置快权重，并在重置时执行前馈位姿对齐；因此，上万帧结果不能解读成同一份快权重从头到尾都没有重置。 “无需后端优化”也需要准确理解：没有额外的位姿图或全局重建优化后端，但快权重本身仍执行测试时更新。模型的前馈重建管线与其内部可更新记忆同时存在，并不矛盾。 4. 前馈位姿对齐：用同一重叠帧接续坐标系 LoGeR* 针对长序列剩余的坐标不一致，显式利用前后块共有的帧。设该重叠帧在上一块已经对齐后的位姿为 \(\widetilde{T}^{(m-1)}_k\) ，在当前块的原始预测为 \(\widehat{T}^{(m)}_k\) ，原文第 4.2 节及式（12）的对齐关系可写为： 这相当于求出“当前块坐标系如何放到上一块坐标系中”，再把同一个刚体变换应用到当前块的所有相机位姿。它属于 \(SE(3)\) 对齐，不额外求尺度；与每块估计 \(SIM(3)\) 的 Pi3-Chunk 基线不同，跨块尺度一致性仍依赖网络学到的几何与记忆。 LoGeR 在训练和推理时都使用这一步，并从第一阶段模型继续微调，因此不是给同一份基础模型的输出临时加一个测试后处理开关。实验中必须单独标注 LoGeR 与 LoGeR ，不能把较好的星号版本成绩都归给基础模型。 用第 5.2 节的短序列设置理解数据流：每块 64 帧，重叠 3 帧，第一块处理第 1 至 64 帧，第二块处理第 62 至 125 帧。这个编号例子只是解释窗口移动，不是新增实验。 第二块进入网络时，SWA 读取第一块保留的特征以修正边界附近的对应关系；TTT 先读取第一块写入的快权重，再把第二块写进去。块内双向注意力利用第二块的所有视角进一步确定局部形状，预测头输出逐帧点图和位姿。 对于 LoGeR*，选定共有帧后，再按上述位姿关系把第二块接到第一块坐标系中。随着视频继续，SWA 的显式历史只保留相邻块，而 TTT 压缩状态继续传播。超长序列的周期性重置属于另一项评测设置，不应与此处的短序列块大小混为一谈。 第 4.2 节使用局部点图、相对位姿和全局点图三类监督。局部点图采用每序列一个尺度对齐，并按深度归一化重建误差；相对位姿同时约束旋转和带尺度对齐的平移，其中平移采用 Huber 误差；全局点图把局部预测通过相机位姿变换到世界坐标后施加约束，减少“每块看起来正确，合起来却不正确”的自由度。 缓存中的部分分项公式排版损坏，此处不猜写缺失项或权重数值。几何监督是训练主任务，TTT 中的自监督键值关联只是记忆更新机制；这也是论文应归入 3D 视觉，而非自监督表示学习的原因。

课程先用 48 帧、4 块训练，再保持 48 帧而增加到 12 块，最后把上下文扩到 128 帧并逐步增至 20 块。增加块数会要求模型跨越更多边界，减少仅靠短程滑窗就完成任务的机会，推动模型利用全局状态。 数据混合强调大场景来源，包括 TartanAir、TartanAirV2、Waymo、Virtual KITTI 2 和 OmniWorld-Game，同时保留室内及其他真实、合成数据。模型以 AdamW 训练 40k 步，批大小 32；作者报告先在 32 张 H100 上训练约两天，再在 32 张 H200 上约两天，评测使用 A100 40GB。最大训练上下文只有 128 帧，不能把它描述为直接用完整万帧轨迹训练。 下表摘自原文表 2，指标为 KITTI 11 条序列的平均绝对轨迹误差（ATE，m，越低越好）。第 5.1 节说明先以 Umeyama 方法对齐预测轨迹与真值；ATE 衡量对齐后的轨迹位置偏差，不等同于未经对齐的绝对定位精度。 由表 2 计算，LoGeR 相对 TTT3R 的平均 ATE 降低约 74.4%，相对基础 LoGeR 降低约 26.7%。原文正文提到相对 VGGT-Long 的 32.5% 改善，数值对应的是 LoGeR ，不是 25.44 m 的基础 LoGeR。 VBR 使用 7 条序列，长度 8,815 至 18,846 帧，轨迹覆盖 1.4 至 11.5 km。图 4 报告长序列上 55.2% 的相对改善，但文本缓存未提供可逐项核验的曲线数值表，因此不补造各长度下的绝对 ATE。该评测采用每五个窗口重置快权重、重置时执行前馈对齐的设置。 短序列评测覆盖 7-Scenes 的 50 至 500 帧点云重建，以及 ScanNetV2、TUM-Dynamics 的 50 至 1,000 帧位姿估计，块大小均为 64、重叠 3 帧。图 9 也指出，Pi3-Chunk 在小尺度 TUM 上可能有稍好的位姿指标，LoGeR 的可视化结构却更完整，因此不能仅凭轨迹误差判断全部稠密几何质量。 下表摘自原文表 3，均为 ATE（m，越低越好）。这些模型以少于最终模型的训练帧数训练，并在 ScanNet 子集和 TUM 上评测，不应与表 2 的最终模型成绩直接比较。 ScanNet 1,000 帧中，移除 TTT 后 ATE 从 0.107 增至 0.162 m，移除 SWA 后增至 0.143 m，支持两种记忆都必要、长程状态在此设置尤其重要的判断。 去掉五个大场景数据集后，同一列升至 0.156 m；可扩展架构本身不能代替合适的训练场景分布。 课程训练总体有益，但并非每个表项都更好：LoGeR* 的 TUM 500 帧结果为 0.031 m，无课程版本反而为 0.029 m，不能照搬正文“始终改善”的概括。 记忆按信息精度分工，而不只是按时间长短分工。高精度邻块对齐保留显式 token，长期尺度参照交给压缩状态，解释了为何两条通道具有互补性。 分块的价值不仅是节省显存，也包括继承双向几何基础模型的多视角推理能力。逐帧循环模型与分块双向模型不能只按渐近复杂度视作等价。 增加训练块数而不立刻增加总帧数，是针对跨块依赖的课程设计。它改变模型必须处理的边界数量，而不仅是机械地扩大输入规模。 作者明确承认快权重容量有限，超长推理仍需重置。可靠记忆跨度与整个管线可处理的总帧数是两个不同指标，未来应分别报告。 固定块大小下的线性复杂度不等于已证明实时运行。缓存正文没有完整吞吐率和时延表，训练资源也达到数十张高端 GPU，部署成本仍需单独评估。 主文多处附录引用显示为问号，而当前缓存没有附录；长序列块大小、细化实现与完整超参数不能由短序列设置代填。这里只采用正文明确给出的设置。 作为读者判断，表 3 的缩减规模消融支持机制解释，但不足以直接量化每个组件在完整 VBR 上的贡献。可进一步检查不同重置间隔、动态物体比例及非重叠片段带来的误差。 vs π3 / Pi3-Chunk ：继承 π3 的块内几何能力，但不再仅靠重叠帧的 \(SIM(3)\) 拼接维持长程一致性。Pi3-Chunk 已是较强基线，说明应分别衡量分块本身与混合记忆的收益。 vs CUT3R / TTT3R ：后两者偏向逐帧状态传播，LoGeR 保留块内双向推理，并补充未压缩的邻块信息。核心差别是上下文组织方式，而不只是是否使用 TTT。 vs FastVGGT / VGGT-Long ：前者主要改善推理效率，后者结合优化处理长序列；LoGeR 同时学习跨块记忆和大场景几何，但“无需优化后端”不应误读为测试时完全没有参数状态更新。 新颖性: 4/5，混合记忆组件并非全新，但针对几何精度与尺度漂移的职责划分明确。 实验充分度: 4/5，覆盖长短序列与组件、数据、课程消融，完整效率和附录细节仍有缺口。 写作质量: 4/5，机制主线清晰，但版本归属与课程收益的文字概括需要对照表格阅读。 价值: 5/5，为保留短窗口几何先验并扩展到长视频提供了具体、可分析的方案。 [ECCV 2026] Geometric Context Transformer for Streaming 3D Reconstruction [ICLR 2026] IncVGGT: Incremental VGGT for Memory-Bounded Long-Range 3D Reconstruction [CVPR 2026] tttLRM: Test-Time Training for Long Context and Autoregressive 3D Reconstruction [ECCV 2026] One4D: Unified 4D Generation and Reconstruction via Decoupled LoRA Control [ECCV 2026] TouchAnything: Diffusion-Guided 3D Reconstruction from Sparse Robot Touches