现有大规模场景重建研究[22,28,32,47,49,51]主要采用辐射场作为基础三维表征，如神经辐射场(NeRF)[33]和3D高斯泼溅(3DGS)[21]。基于NeRF的方法因其隐式表征需要大量训练与渲染资源，难以扩展至富含细节的大规模场景。3DGS作为基于图元的栅格化技术，同样因其内存密集型表征面临可扩展性问题，极易超出高端GPU的显存容量。为此，研究者通常采用分治策略：将场景划分为若干更易

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。。。

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。。。

本文翻译自：作者：Shuai Liu, Mengmeng Yang, Tingyan Xing, Ran Yang期刊：Sensors（MDPI），2025 年，第 25 卷，第 18 期，文章号 5748原文版权信息：本文原文发表于 MDPI 期刊，根据 Creative Commons Attribution (CC BY) 许可协议开放获取（Open Access）。本文为译文，仅供学习与学

colmap计算的Ubuntu版本，歪瑞因垂丝汀，快来looklook！

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

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