图 2 概述了方法。

视觉基础模型 (VFM) 是在广泛的数据集上进行训练的，但通常仅限于 2D 图像，自然会出现一个问题：它们对 3D 世界的理解程度如何？由于架构和训练协议（即目标、代理任务）存在差异，迫切需要一个统一的框架来公平、全面地探究他们的 3D 感知。现有的 3D 探索工作主要关注单视图 2.5D 估计（例如深度和法线）或双视图稀疏 2D 对应（例如匹配和跟踪）。但是这些任务忽略了纹理感知，并且需要 3D

世界建模已成为人工智慧研究的基石，使智能体能够理解、表示并预测其所处的动态环境。以往的研究大多强调针对2D 图像和视频数据的生成式方法，却忽视了快速增长的、基于原生 3D 与 4D 表示（如 RGB-D 影像、占据网格、LiDAR 点云）的 大规模场景建模研究。与此同时，由于缺乏对“世界模型”的标准化定义与分类体系，现有文献中出现了零散甚至不一致的论述。本综述旨在填补这一空白，首次对3D 与 4D

世界建模已成为人工智慧研究的基石，使智能体能够理解、表示并预测其所处的动态环境。以往的研究大多强调针对2D 图像和视频数据的生成式方法，却忽视了快速增长的、基于原生 3D 与 4D 表示（如 RGB-D 影像、占据网格、LiDAR 点云）的 大规模场景建模研究。与此同时，由于缺乏对“世界模型”的标准化定义与分类体系，现有文献中出现了零散甚至不一致的论述。本综述旨在填补这一空白，首次对3D 与 4D

关于深度学习项目的docker部署踩坑记录，主要用来告诉大家一件事情，安装nvidia-container-toolkit而不是nvidia-docker，不要浪费时间在找没用的帖子身上，食用方式，一只手握住鼠标，一只手握住一杯卡布奇诺，嘶。。。

3D基础模型[Vggt、Dust3r、Fast3r]的最新进展改变了我们看待从2D图像重建3D场景问题的方式。通过在几秒钟内将密集的点云从单个视图推断为数千个视图，这些方法简化甚至消除了传统的多阶段重建管道，使3D场景重建在更广泛的应用中更容易访问。如图1，AnySplat是一种面向无约束、无位姿标注多视角图像的前馈式新视角合成网络。该网络采用几何变换器将输入图像编码为高维特征，继而解码为高斯参数

三维高斯泼溅（3DGS）技术的最新进展在新视角合成任务中展现出非凡潜力。分治策略虽已实现大规模场景重建，但在场景分区、优化与融合环节仍存在显著挑战。本文提出BlockGaussian创新框架，通过内容感知的场景分割策略和可见性感知的区块优化技术，实现高效优质的大规模场景重建。具体而言，我们的方法基于不同区域的内容复杂度差异进行动态分区，从而平衡计算负载，提升重建效率。针对区块独立优化时的监督失配问

本文提出了一种鲁棒的单目深度估计实用解决方案——Depth Anything¹。我们并未追求新颖的技术模块，而是致力于构建一个简洁而强大的基础模型，能够处理任何场景下的任意图像。为此，我们通过设计数据引擎来扩增数据集，收集并自动标注了大规模（约6200万）无标记数据，显著提升了数据覆盖范围，从而有效降低泛化误差。我们研究了两种简单而有效的策略来实现数据规模化：首先，利用数据增强工具创建更具挑战性的

在这一章中，我们将尝试理解什么是"特征"，为什么它们很重要，为什么角点（corners）是重要的特征等问题。1.什么是特征在计算机视觉中，"特征"是指图像中具有独特性的、易于识别的部分。比如：边缘（Edges）、角点（Corners，也称为兴趣点/关键点）、斑点（Blobs，也称为感兴趣区域）。图像匹配：找到两幅图像中的相同部分目标检测：识别图像中的特定物体跟踪：跟随视频中物体的运动3D重建：从多

NeRFStudio 是NeRF/3DGS研究和开发的集成平台。提供了一个用户友好的界面和一系列工具，帮助研究人员和开发者更高效地构建、训练和评估 NeRF 模型。