EAGLE：基于情景外观与几何感知记忆的统一 2D-3D 视觉查询定位框架（以原发性视觉为例）

原发性视觉查询定位对于具身 AI 和 VR/AR 至关重要，但由于相机运动、视点变化和外观变异，仍面临挑战。我们提出 EAGLE，一种新型框架，利用情景外观与几何感知记忆，实现原发性视觉中的统一 2D-3D 视觉查询定位。灵感来自鸟类记忆巩固机制，EAGLE 将由外观感知元学习记忆（AMM）驱动的分段引导，与由几何感知定位记忆（GLM）驱动的跟踪相结合。通过结构化的外观和几何记忆库存储高置信度检索样本，有效支持目标外观变异的长期和短期建模。这实现了具有鲁棒空间判别能力的精确轮廓描绘，显著提高检索准确性。此外，通过将 VQL-2D 输出与基于视觉几何的 Transformer（VGGT）集成，我们实现了 2D 和 3D 任务的高效统一，使其能够快速准确地投射到 3D 空间。我们的方法在 Ego4D-VQ 数据集上实现了最先进的性能。