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

近年来的研究越来越关注通过利用注意力图的结构来降低稠密注意力的二次复杂度。然而，针对 LLM 的技术通常依赖自回归假设，例如推理时的因果掩码（causal masking）和 KV 缓存（KV-caching），这些方法不能直接应用于视觉模型中使用的连续二维 token 网格的注意力计算。一种更通用的方法是。

本文提出，一种基于像素空间扩散生成的单目深度估计模型，能够从预测的深度图中恢复高质量、无飞点（flying pixels）的点云。目前的生成式深度估计模型通常通过微调 Stable Diffusion 来实现出色的性能。然而，这类方法需要使用 VAE（变分自编码器）将深度图压缩到潜空间中，这一过程不可避免地会在边缘和细节处引入飞点伪影。我们的模型通过直接在像素空间中执行扩散生成，避免了由 VAE

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

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。。。

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

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