ABot-Recon：仅缓存11帧的局部上下文流式3D重建

从极长视频中进行流式3D重建，需要在有限的内存和计算资源下，在线估计相机运动和场景几何。早期的流式模型通过有限上下文缓冲区或紧凑的循环状态实现因果、有界成本推理，但随着序列增长，其估计往往退化。近期方法通过将短程上下文与持久或多级长程记忆相结合，改善了长时程稳定性。我们采取不同路径：保持学习的时间状态严格局部化，并制定预测目标，使其独立于序列长度。我们提出ABot-Recon，一种简单的流式模型，仅缓存前11帧的KV特征。它预测当前相机坐标系下的点图以及相邻帧的相对姿态。这些预测在参考系变化下保持等变性，全局姿态和几何通过顺序组合恢复。为减少累积漂移，轻量级时间细化器利用近期视觉和运动上下文改进相对旋转，而组合感知姿态损失监督多步姿态组合。在挑战性长序列基准上的广泛评估表明，我们的局部上下文方法在长时程性能上表现优越。在Oxford Spires上，ABot-Recon实现了4.35米的ATE和0.12度的RPE-R，相比先前最佳结果，两种误差均降低了约40%。