基本信息

项目 内容
论文标题 VGGT-Long: Chunk it, Loop it, Align it– Pushing VGGT’s Limits on Kilometer-scale Long RGB Sequences
作者 Kai Deng, Zexin Ti, Jiawei Xu, Jian Yang, Jin Xie
作者单位 南开大学；南京大学
时间 2025
发表会议/期刊

方法概览

特点 文章性质
输入 图片序列（SLAM定义可传入激光IMU等各种机器人传感
**输出 一个环境的几何/语义地图（Map）：点云，稀疏的点云ORBSLAM，稠密的点云LSDSLAM，高斯场景
一条智能体的运动轨迹（Trajectory）图片位姿 片位姿 片位姿
所属领域 SLAM（Simultaneous Localization and Mapping，

背景

问题 说明
面对室外长序列数据场景 CUT3R, Fast3R存在严重的漂移问题
MASt3R-SLAM, VGGT则无法完成整个长序列的处理
MASt3R/CUT3R/VGGT开启foundation model for 3D的新范式，但都面临memory与drift问题
MASt3R-SLAM，集成 MASt3R+图优化，但复杂且实时性差。 在中短序列精度高但会 track lost
VGGT-Long 在所有序列运行稳定，且重建精度高

VGGT-Long能够成功完成公里级场景的重建，并保持了场景的准确性。

创新点

  1. VGGT-Long能够成功完成公里级场景的重建，并保持了场景的准确性。无需相机标定、无需深度监督、也无需重新训练基础模型，仅通过一套高效的后处理系统，就解决了现有模型的可扩展性瓶颈
  2. 核心思想可以概括为其标题中的三个动词：分块（Chunk it）、循环（Loop it）、对齐（Align it）。
    1. 分块处理 (Chunk it): 将长视频序列分割成多个有重叠的、固定长度的短视频块（chunks）。然后，它以滑动窗口的方式，将这些视频块依次送入预训练的VGGT模型进行处理，得到每个块的局部3D点图（pointmap）和相机轨迹。
    2. 重叠对齐 (Align it): 将它们拼接成一个全局一致的场景。VGGT-Long利用相邻视频块之间的重叠部分进行对齐。值得一提的是提出了一种置信度感知对齐（Confidence-aware alignment）策略。VGGT模型会为每个预测的点生成一个置信度分数，该策略可以有效抑制场景中高速运动的物体（如车辆）对对齐过程的干扰。其实就是重叠部分进行对齐匹配但是删除动态物体的匹配吗
      1. 如何对齐？：
    3. 回环优化 (Loop it): 全局尺度的漂移（例如，起点和终点无法闭合）。为了解决这个问题，VGGT-Long引入了轻量级的回环闭合优化（Loop Closure Optimization）。当车辆回到先前经过的位置时，系统会检测到回环，并建立约束。然后通过全局LM（Levenberg-Marquardt）优化，一次性校正整个轨迹的累积误差，确保全局地图的一致性。
      1. 基于什么优化？：
      2. 如何检测回环？

网络架构