Self-Geometry：无需真值的三维视觉基础模型测试时自适应

最近的视觉基础模型（VFM）在单次前向传播中预测深度、相机姿态和点图，无需逐场景优化，实现了强大的泛化能力。然而，强制显式的多视图几何一致性（例如通过束调整）计算成本高昂，因此在VFM预训练期间并未施加，因此可能出现这种不一致性。为了解决这个问题，从模型输出（例如点图、特征）导出的隐式自一致性，尽管在先前的测试时工作中被强制，但带来的性能提升本质上有限，尤其是在预训练VFM高度不准确的场景中。与这种隐式信号相反，我们提出了Self-Geometry，一种即插即用的测试时自适应流程，直接使用2D像素对应作为伪真值来强制显式的多视图几何约束。我们提出的Self-Geometry包括：几何解耦优化，它结合了多视图一致性和对极一致性损失，并使用梯度解耦来防止梯度冲突；帧角邻居，一种基于SO(3)测地距离的视图采样器，用于轻量地施加这些约束；以及轻量级TTA，通过LoRA自适应VFM。我们的方法在六个VFM（VGGT、π^3、DA3-Giant/Large/Base/Small）和四个基准（7Scenes、ETH3D、ScanNet++、HiRoom）上的姿态和几何估计方面均实现了一致的改进。