← 返回 PaperDaily 视觉与图像

图像配准｜仅2分钟+零真值，韩国团队让3D大模型位姿、深度更准更一致

VGGT、DA3这类3D视觉基础模型，前向一次就能出位姿、深度和点云，但训练时没做显式多视角几何约束，结果经常“自相矛盾”。本方法把特征匹配得到的2D像素对应点当作伪真值，在测试时给模型补上显式几何约束，单场景最快2分钟完成自适应，6个模型、4个数据集位姿与几何估计全部一致提升，主打一个即插即用。

龙哥读论文发布于 2026-08-16 11:00:54 阅读 3 查看原文

#图像配准 #模型训练 #涨点神器

原论文信息如下：

论文标题:
Self-Geometry: GT-Free and Plug-and-Play Test-Time Adaptation for Geometrically Consistent 3D Vision Foundation Models

发表日期: 2026年8月（arXiv预印本）
发表单位: 韩国中央大学（Chung-Ang University, CMLab）与庆熙大学（Kyung Hee University）
原文链接: https://arxiv.org/pdf/2608.10708v1.pdf
项目链接: https://cmlab-korea.github.io/Self-Geometry/

视觉基础模型的几何不一致痛点

先想象一个场景：你拿手机围着客厅走一圈拍了十几张照片，然后丢给 VGGT 或 Depth Anything 3 这样的 3D 视觉基础模型（Vision Foundation Model，简称 VFM）。模型前向一次，咔嚓一下，相机位姿、深度图、点云图全出来了——零优化、零微调，速度快到飞起。

听起来很美好对吧？但如果你把重建出来的点云叠在一起仔细看，就会发现一个尴尬的事实：同一个墙角，在不同视角下重建出来的位置对不上。墙面可能是歪的，家具边缘可能是虚的，整个点云就像喝醉了酒的人在画素描——单看每一笔都还行，合在一起就乱了套。

为啥会这样？因为这类 VFM 在预训练的时候，是让模型分别去回归每个视角的相机位姿和深度，并没有在训练时强制要求这些预测结果在多视角之间彼此吻合。传统方法里倒是有一个东西专门干这事的——集束调整（Bundle Adjustment），它能把多视角几何误差一锅端地优化掉，但代价是每来一个新场景都要重新算一遍，计算开销大到 VFM 预训练根本扛不住。

图2：预训练DA3-Base在HiRoom场景上与两种测试时自适应方法的对比，分别沿相机位姿误差、深度误差及结果点云展开。Free-Geometry作为隐式自一致性方法的代表，未能显著改善位姿和深度，点云改善也有限；而Self-Geometry直接施加显式多视角几何约束，三项指标都取得了一致提升。深度误差图和点云中，红色区域表示超过基准阈值的预测误差，灰色表示正确重建的像素。

预训练DA3-Base在HiRoom场景上与两种测试时自适应方法的对比。红色区域表示超过基准阈值的预测误差，灰色表示正确重建的像素。

前人也试过在测试阶段给模型"打补丁"，比如用模型自己输出的点云或特征来构造自一致性约束——论文里管这类方法叫隐式自一致性（implicit self-consistency）。代表性工作 Free-Geometry（CVPR 2025）就是干这个的。听名字挺唬人，但从图2可以看到，Free-Geometry 在相机位姿和深度上的改善非常有限，点云质量也就跟着原地踏步，尤其是在预训练模型本身预测就很离谱的场景下。

这里龙哥忍不住要啧一声：搞隐式约束就像是让一个喝醉的人扶着另一个喝醉的人走路——两个人都站不稳，互相当拐棍，能走直线才怪。

韩国中央大学和庆熙大学的研究团队看不下去了，提出了一个完全不同的思路：与其从模型自己内部找约束，不如从外部拿可靠的几何真值信号——2D像素匹配点。这就是本次论文的主角：Self-Geometry，一个即插即用的测试时自适应（Test-Time Adaptation，TTA）管线，不需要任何真值标注（GT-free），也不需要额外训练数据，单场景最快2分钟完成适配，在6个VFM和4个基准数据集上全部取得一致提升。

2D像素对应如何成为伪真值？

先问一个问题：在多视角重建里，给定两张不同视角的照片，你凭什么判断它们是同一个三维点在两个相机平面上的投影？

答案就是2D像素对应（2D pixel correspondence）。这类方法在传统的运动恢复结构（Structure-from-Motion，SfM）里已经被验证了几十年——先在图像里找特征点，再通过描述子匹配建立像素级对应关系，然后把位姿和深度联合优化出来。特征匹配器（feature matcher）比如 LightGlue，就是干这个的，而且做得相当成熟。

Self-Geometry 的核心洞察非常朴素：既然 2D 像素对应关系精确刻画了相机位姿和深度必须满足的几何约束，那它就能当伪真值（pseudo ground truth）用。测试时用 LightGlue 提取一批匹配点，然后让 VFM 的预测结果去满足这些匹配点所隐含的几何关系——这不就把显式多视角几何约束给补上了吗？完全不需要真值标注，也不需要额外训练数据。

形式化地说，给定 N 个输入视角，VFM 会预测每张图的相机位姿 P、深度图 D 和点图 X。用外部特征匹配器（比如 LightGlue）在每对视角之间提取一组像素对应关系，记为：

公式1：2D伪像素对应集合 M 的定义。其中 x_i^m 和 x_j^m 分别表示第 m 对匹配点在目标视角 i 和源视角 j 中的像素坐标。

每一对匹配点都携带两个独立的几何约束：点对点的重投影约束和点对线的对极约束（epipolar constraint）。前者同时约束位姿和深度，后者只约束位姿、与深度无关。二者合起来，就能在不依赖真值的情况下，对 VFM 的预测施加显式的多视角几何监督。

不过这里有个坑：直接用特征匹配器得到的匹配点并不都可靠，里面混着不少误匹配。所以在每次 TTA 迭代之前，Self-Geometry 会先做一步伪对应过滤（Pseudo-Correspondence Filtering）：先用基于对极几何误差的过滤器粗筛掉那些位姿误差大的错误匹配，再用基于重投影误差的过滤器去掉残余的误匹配。论文里的消融实验显示，这一步对最终精度的影响非常显著，后面细说。

三大核心组件：GDO、FAN与轻量TTA

Self-Geometry 的整体框架由三个互补的组件构成，先看全景图：

图3：Self-Geometry管线总览。包含三个组件：（i）GDO：设计两个无真值对应引导的损失——点对点的MVC损失和点对线的EC损失，并通过梯度解耦防止梯度冲突；（ii）FAN：通过SO(3)测地距离采样角度多样的视角；（iii）轻量TTA：只更新插入到预训练VFM注意力模块中的LoRA参数。

图3：Self-Geometry管线总览，包含GDO、FAN、轻量TTA三个互补组件。

第一个组件是几何解耦优化（Geometric Disentanglement Optimization，GDO），它负责把"2D像素对应"翻译成可优化的损失函数。GDO 内部包含两个核心损失：

多视角一致性损失（MVC Loss）

MVC Loss 是一个点对点（point-to-point）约束。它要求：把源视角 j 中的某个像素点，根据预测的相机位姿和深度重投影到目标视角 i 之后，位置应该和目标视角 i 中对应的匹配点尽量重合。如果模型预测的位姿或深度有偏差，重投影位置就会偏离匹配点，损失就会增大。

公式2：多视角一致性损失（MVC Loss），L2范数衡量重投影误差，同时监督相机位姿和深度。

看公式就能发现一个经典问题：重投影误差同时依赖位姿和深度，不同的（位姿，深度）组合完全可能产生相同的损失值。这就是所谓的位姿-深度模糊（pose-depth ambiguity）。也就是说，光靠 MVC Loss，模型不知道该去优化位姿还是深度——两个都动一点也能把损失降下来，但最后可能哪个都没优化对。

对极一致性损失（EC Loss）

EC Loss 是一个点对线（point-to-line）约束，用来破解上面的模糊问题。在多视角几何里，两个视角之间有一个基本矩阵（fundamental matrix）F，它编码了两个相机之间的相对运动关系。如果一对匹配点是正确的，那么目标视角中的点到源视角中对应对极线的距离应该为 0。这个约束跟深度完全无关——它只纯粹约束相机位姿。

公式3：对极一致性损失（EC Loss），使用Sampson距离衡量匹配点到对极线的距离，只监督相机位姿，与深度无关。

这两个损失一个跟深度无关控制位姿的大方向，一个同时控制位姿和深度做精细调整，理论上可以互补。但问题来了：两个损失都作用在同一个相机位姿参数上，梯度方向很可能打架——一个让位姿往东调，另一个让它往西调，模型直接懵圈。

梯度解耦（Gradient Disentanglement，GD）

Self-Geometry 的解决办法很优雅：在每次梯度更新时，把 MVC Loss 的梯度投影到 EC Loss 梯度的正交补空间上，把两个梯度中冲突的分量直接"剥离"掉。这样 EC Loss 的梯度完全保留，而 MVC Loss 只贡献与 EC Loss 方向正交的更新分量，两者在梯度层面实现互补。

这个操作在数学上就是一个经典的 Gram-Schmidt 正交化：从 MVC 梯度中减去它在 EC 梯度方向上的投影分量。论文里的图5直观展示了这一过程的效果——加入 GD 之后，两个损失函数的收敛曲线明显更平滑，最终精度也更高。

图5：GD（梯度解耦）在VGGT+ETH3D上的可视化。(a)在一对代表性梯度上展示GD的概念；(b)EC梯度与MVC梯度之间夹角Δ的极坐标直方图，红色为钝角区间，灰色为锐角区间；(c,d)加GD（蓝色）与不加GD（红色）的MVC损失和EC损失在TTA迭代中的收敛对比。

图5：GD（梯度解耦）在VGGT+ETH3D上的可视化。红色为钝角区间，灰色为锐角区间；(c)(d)显示加GD（蓝色）与不加GD（红色）的收敛对比。

帧角邻域采样（Frame Angular-Neighbor，FAN）

第二个组件解决的是效率问题。VFM 处理多视角输入时，注意力机制的计算量随视角数呈二次方增长。如果拿全部视角去做 TTA 的每一轮迭代，计算成本会非常感人。但视角取得太少，又可能丢掉场景覆盖，导致监督信号不够丰富。

FAN 的思路是：在每一轮 TTA 迭代中，挑一个"几何信息最丰富"的目标视角，再从它周围的 SO(3) 角度区间里均匀采样一组源视角。这里用到的关键度量是 SO(3) 测地距离（SO(3) geodesic distance）——说白了就是两个相机旋转矩阵之间的相对旋转角。这个距离度量是场景尺度无关的，不需要针对每个场景手动调归一化参数，非常省心。

公式5：SO(3)测地距离定义。其中 tr(·) 为矩阵迹运算符，θ_ij 的取值范围为 [0, π]。

FAN 分两步走。第一步叫几何丰富视角选择（Geometry-Rich View Selection，GRV）：遍历每个候选视角，把其余视角按与其 SO(3) 距离分配到预先划分的若干个角度区间（bin）里，先找出能激活最多区间的候选集合，再从中选让视角分布熵值最大的那个视角当目标视角。这样选出来的目标视角，周围的源视角在角度上分布最均匀，场景覆盖最完整。第二步叫角度邻域采样（Angular-Neighbor Sampling，ANS）：以目标视角为中心，从每个 SO(3) 区间里均匀抽几个源视角，形成一个紧凑的采样子集，防止源视角扎堆在某个角度区域。

图7展示了 GRV 的实际效果：随便选目标视角时，各 SO(3) 区间内的源视角数量分布极不均匀；而用 GRV 选出的目标视角，源视角在各个角度区间里分布均匀得多。

图7：在VGGT+ETH3D courtyard场景上对比目标视角选择策略。上排为相机轨迹俯视图，每个视角按相对目标视角的SO(3)区间编号着色，目标视角用黄色星标出；下排为每个SO(3)区间内的源视角数量。(a)随意选择的目标视角(v=0)；(b)本文GRV选择的目标视角(v*=14)。

图7：GRV目标视角选择的效果对比。上排为相机轨迹俯视图，黄色星标为目标视角；下排为各SO(3)区间内的源视角数量。

轻量测试时自适应（Lightweight TTA）

第三个组件是参数高效的适配器。Self-Geometry 不微调整个 VFM，而是在预训练模型的注意力模块 QKV 权重上插入 LoRA（Low-Rank Adaptation，低秩适配）参数，训练过程中保持预训练模型完全冻结，只更新 LoRA 参数。这样既把预训练阶段学到的几何先验保留住了，又避免了灾难性遗忘，单场景优化只需要50轮迭代，一张 NVIDIA RTX PRO 6000 上跑完不超过两分钟。

整体的总损失除了 MVC Loss 和 EC Loss 这两个主角之外，还配了三个自监督辅助正则项：一个光度一致性损失（photometric consistency）防止深度漂移太离谱，一个边缘感知深度平滑损失（edge-aware depth smoothness）让深度图更干净，一个基础深度约束损失（base depth constraint）让深度保持在预训练模型的合理范围内。总损失是这五个损失的加权组合，权重根据损失下降速度动态调整——哪项降得快就调低一点，哪项降得慢就调高一点，保证整体收敛均衡。

实验验证：6个VFM×4个基准的全面提升

论文的实验设置非常硬核，一口气覆盖了6个预训练 VFM——VGGT、π³（读作"派立方"）、DA3-Giant/Large/Base/Small——和4个基准数据集——7Scenes、ETH3D、ScanNet++、HiRoom。对比的方法包括当前最前沿的两个 TTA 基线：Free-Geometry 和 TCO。

先看位姿估计的结果，指标是 AUC@3 和 AUC@30（阈值3度和30度，数值越高越好）：

表2：位姿估计结果。AUC@3和AUC@30（越高越好），覆盖7Scenes、ETH3D、ScanNet++、HiRoom和均值。DA3-G/L/B/S分别表示DA3-Giant/Large/Base/Small；每个预训练模型连续出现四行——基线和三种适配变体，后缀-TCO（TCO方法）、-Fr（Free-Geometry）、-Ours（本文Self-Geometry）。括号内为相对基线的变化百分比。

表2：位姿估计结果。AUC@3和AUC@30（越高越好），覆盖7Scenes、ETH3D、ScanNet++、HiRoom及均值。DA3-G/L/B/S分别表示DA3-Giant/Large/Base/Small。

注意到一个惊人的细节：VGGT 在 ETH3D 上的 AUC@3 从 0.20 涨到 0.27，相对提升37.3%。π³ 在 ETH3D 的 AUC@3 更是从 0.33 干到了 0.41，涨了 24.2%。DA3 系列在多个数据集上也都有两个点以上的提升。Free-Geometry 和 TCO 在一些列里甚至出现了负优化——位姿反而比冻结模型更差了。这个对比就很说明问题：隐式自一致性不是提不上去，而是很可能直接把模型带沟里去了。

再看几何估计结果，指标是 F1-score，分为无位姿模式（用预测位姿）和有位姿模式（用真值位姿，只评估深度）：

表3：几何估计结果。F1分数（越高越好），分为unposed（w/o P.，使用预测位姿）和posed（w/ P.，使用真值位姿）两种模式，覆盖7Scenes、ETH3D、ScanNet++、HiRoom及均值。DA3-G/L/B/S分别表示DA3-Giant/Large/Base/Small；每个预训练模型连续出现四行——基线和三种适配变体，后缀-TCO（TCO方法）、-Fr（Free-Geometry）、-Ours（本文Self-Geometry）。括号内为相对基线的变化百分比。

表3：几何估计结果。F1分数（越高越好），分为无位姿模式（w/o P.）和有位姿模式（w/ P.）两种模式。

在无位姿模式下（位姿和深度都来自模型预测），Self-Geometry 在大多数模型和数据组合上的 F1 都有一到三个点的提升。有位姿模式下提升幅度略小但依然一致为正。值得注意的是 DA3-Small 在 ScanNet++ 上无位姿 F1 从 0.23 干到了 0.27，涨了 17.4%——说明模型越小、原始预测越差，Self-Geometry 的修复增益反而越明显。

图4给出了一个非常直观的定性对比。拿 VGGT、π³、DA3-Giant 三个模型各选一个代表性场景，从左到右依次展示参考图、真值深度、以及原始模型/TCO/Free-Geometry/Self-Geometry 的深度误差图和点云误差图。红色区域表示误差超过基准阈值，灰色表示正确重建。一眼扫过去就能看到，原始模型和两个基线方法的红色区域大片大片地扎眼，而 Self-Geometry 那一列的灰色区域明显多了不少。

图4：预训练VFM与Self-Geometry在代表性场景上的定性对比。(a)深度估计：从左到右依次为参考RGB、真值深度、以及原始模型、TCO、Free-Geometry和Self-Geometry的深度误差图。(b)几何估计：从左到右依次为真值融合点云以及四种方法的几何误差图。红色区域表示超过基准阈值的误差；灰色表示正确重建的像素。

图4：预训练VFM与Self-Geometry在代表性场景上的定性对比。红色区域表示超过基准阈值的误差，灰色表示正确重建的像素。

再看消融实验，论文分别验证了 GDO 里每个部件的必要性。表4的结果显示：只加 EC Loss 不加 MVC Loss，位姿提升有限；只加 MVC Loss 不加 EC Loss，会遭遇位姿-深度模糊问题，精度反而打折；两个都加但不用梯度解耦，性能介于中间——说明梯度冲突确实存在且有害；两个都加且用上 GD，才是最好的配置。

表4：GDO的消融实验，在VGGT+ETH3D上进行。块(i)开关EC损失和MVC损失；块(ii)变化梯度解耦（GD）策略。评估位姿（AUC@1/3/30）和几何（F1；w/ p.、w/o p.）。加粗为每列最优。

表4：GDO的消融实验，在VGGT+ETH3D上进行。块(i)开关EC损失和MVC损失；块(ii)变化梯度解耦策略。

伪对应过滤的消融（表5）也很有意思。不加任何过滤，TTA 之后位姿精度反而比冻结模型还低——误匹配真的会把模型带偏。只加 EC 过滤能挡掉一部分离谱的误匹配，但精度依然有限；EC + MVC 双重过滤才是最优配置，精度和召回率都最好。

表5：伪对应过滤的消融实验，在VGGT+ETH3D上进行。变体A到D分别开关EC损失和MVC损失两个过滤阶段。

FAN 的消融（表6）验证了 SO(3) 区间宽度、目标视角选择策略和源视角排序方式各自的影响。一个有趣的发现是：区间宽度设为 45° 时性能最好，太宽或太窄都会掉点。

表6：FAN的消融实验，在VGGT+ETH3D上进行。块(i)扫描SO(3)区间宽度；块(ii)变化目标视角选择策略；块(iii)变化每个SO(3)区间内的源视角排序方式。评估位姿（AUC@1/3/30）和几何（F1；w/ p.、w/o p.）。加粗为每列最优。

表6：FAN的消融实验，在VGGT+ETH3D上进行。块(i)扫描SO(3)区间宽度；块(ii)变化目标视角选择策略；块(iii)变化源视角排序方式。

最后看计算开销（表7）。DA3-Giant 在 ETH3D 上的单场景适配总耗时约 2 分钟，其中初始化阶段（特征匹配+过滤）约 46.35 秒，FAN 视角采样约 1.21 秒，GDO 优化约 63.69 秒。LoRA 引入的额外参数量只有原模型参数的 0.1%~0.3%，几乎可以忽略不计。这个成本对于单场景自适应来说，已经相当亲民了。

表7：Self-Geometry在六个预训练VFM上的计算复杂度。附加参数量（M）：LoRA开销（括号内为VFM参数量的百分比）。ETH3D单场景适配时间：按初始化（LightGlue匹配+过滤）、FAN、GDO（50轮TTA）和总计四项拆分。最右侧为7Scenes、ScanNet++、HiRoom上的平均总耗时。在单张NVIDIA RTX PRO 6000 GPU上测量。

表7：Self-Geometry在六个预训练VFM上的计算复杂度。DA3-Giant在ETH3D上单场景适配总耗时约2分钟。

论文还给出了一组概念定位对比（表1），把现有方法按四个维度做了区分：是否依赖真值标注（GT-free）、是否依赖教师模型（Teacher-free）、是否即插即用（Plug-and-play）、是否使用显式几何约束（Explicit-Geometry）。表中可以看到，冻结VFM（VGGT、DA3）在预训练时需要GT标注；微调方法（Pow3R、Fin3R、Selfi）也依赖GT或者教师；TTA方法里，TCO 需要外部先验，Free-Geometry 和 SelfEvo 依赖教师蒸馏，TTT3R/Online3R/Test3R/LoRA3D 则绑定了特定骨干网络。真正同时在四个维度打满勾的，只有 Self-Geometry。

表1：多视角3D VFM在四个定位轴上的概念对比。✓表示完全支持，▲表示部分支持，✗表示不支持。

结合 PaperDaily 已收录论文可观察到，当前三维重建和位姿估计方向的 TTA 工作大多停留在隐式自一致性或对特定架构的适配层面，像 Self-Geometry 这样直接绕开模型内部表征、从外部特征匹配结果拿显式几何约束的做法，在同基准对比中确实不多见。但需要注意，不同方法的评测协议和数据集划分可能存在差异，上述对比仅作为辅助参考，不宜上升为全领域绝对结论。

局限性与未来展望

没有十全十美的方法，Self-Geometry 也有几道还没迈过去的坎。

第一，伪对应质量的前置依赖。Self-Geometry 的监督信号完全来自外部特征匹配器提取的 2D 像素对应。在纹理丰富、光照稳定的场景里，LightGlue 这类匹配器表现非常好；但一旦遇到弱纹理区域、重复纹理、大尺度光照变化或者剧烈运动模糊，匹配器很容易产生误匹配或者干脆匹配不到足够多的点。虽然论文设计了过滤机制来剔除误匹配，但如果匹配点本身数量就少，过滤完就更少了，TTA 的监督效果会打折扣。

第二，场景尺度上限。论文实验中的数据集（7Scenes、ETH3D、ScanNet++、HiRoom）大多属于室内或小型室外场景，最多 100 帧输入。在面对大规模城市场景或无人机航拍这类动辄几百上千帧的场景时，特征匹配的计算量会显著上升，FAN 的均匀采样策略是否还能保持优势，需要进一步验证。

第三，动态物体干扰。Self-Geometry 的所有几何约束都假设场景是静态的。如果画面里有行人、车辆或者其他移动物体，特征匹配器提取的对应点可能落在动态物体上，这些点在多视角几何约束下本来就无法吻合，会把模型的训练带偏。目前的工作对这类"违规"匹配点没有做显式的动态区域剔除。

第四，单场景独立优化没有跨场景复用能力。每个新场景都要重新跑一遍特征匹配和 50 轮 TTA，无法像微调那样把经验从一个场景迁移到另一个场景。虽然单场景 2 分钟的成本可以接受，但如果能把多个场景的适配经验累积起来，做成一个能持续进化的模型，价值会更大。

未来方向也对应着这几个短板：更好的匹配点筛选机制（比如结合语义分割剔除动态区域）、更快的特征匹配方案（比如引入轻量光流估计器）、以及跨场景的元学习初始化策略——让模型在新场景上只需要很少的迭代就能收敛。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

这篇论文到底在解决什么问题？3D视觉基础模型重建时几何不一致？Self-Geometry用2D像素匹配当伪真值，通过多视角/对极一致性双损失+梯度解耦，仅增0.7%-3.4%参数，单场景2分钟内完成测试时自适应，6个VFM×4个数据集位姿与几何估计一致提升。

这篇工作最值得看的点是什么？在6个预训练VFM和4个基准数据集上，位姿估计和几何估计均取得一致性改进。在ETH3D上VGGT的AUC@3提升+37.3%，π³提升+25.1%；在HiRoom上DA3-Base和DA3-Small的几何F1分别提升+85.2%和+70.4%。对比Free-Geometry和TCO，在大多数Mean指标上取得最优。

这篇工作的边界或风险在哪里？优点：(1) 无需GT标注，利用2D像素对应作为伪真值，实现GT-free自适应；(2) 即插即用，适用于多种VFM架构；(3) 显式多视图几何约束比隐式自一致性更有效；(4) 计算高效，2分钟内完成逐场景自适应。缺点：(1) 依赖外部特征匹配器（LightGlue）的质量，在重复纹理或无纹理场景中性能下降；(2) 在ScanNet++和HiRoom上VGGT+Ours出现部分指标相对退化；(3) 自适应延迟仍远未达到实时要求。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★★☆

提出一种无需真值标注的即插即用测试时自适应管线，利用外部特征匹配器提取的2D像素对应作为伪真值，通过显式多视图几何约束（点对点MVC损失与点对线EC损失）配合梯度解耦、SO(3)视角采样和LoRA轻量适配，对预训练视觉基础模型进行逐场景自适。

实验合理度：★★★★☆

位姿估计：AUC@1、AUC@3、AUC@30（角度阈值）；几何估计：F1分数（有位姿/无位姿模式）

学术研究价值：★★★★☆

提出一种无需真值标注的即插即用测试时自适应管线，利用外部特征匹配器提取的2D像素对应作为伪真值，通过显式多视图几何约束（点对点MVC损失与点对线EC损失）配合梯度解耦、SO(3)视角采样和LoRA轻量。

稳定性：★★★☆☆

现有材料未提供充分的极端条件、重复运行或扰动测试，稳定性暂按中性评价。

适应性以及泛化能力：★★★☆☆

现有材料未完整展示跨数据集、跨场景或分布外实验，泛化能力仍需进一步验证。

硬件需求及成本：★★★☆☆

在单张NVIDIA RTX PRO 6000 GPU上，逐场景自适应在2分钟内完成（最多40输入视图，DA3-Giant在ETH3D上）。LoRA适配器仅增加0.7%-3.4%的额外参数。

复现难度：★★★☆☆

https://github.com/CMLab-Korea/Self-Geometry

产品化成熟度：★★★☆☆

论文验证以研究实验为主，真实部署中的时延、成本、维护和异常场景仍需补充验证。

可能的问题：(1) 依赖外部特征匹配器（LightGlue）的质量，在重复纹理或无纹理场景中性能下降；

*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！