视几何 grounding transformer 中的显现性离群视图过滤

可靠的从野外图像集合进行3D重建常受到“噪声”图像——与其他图像几乎无关的输入——的阻碍。虽然传统Structure-from-Motion管道通过几何验证和离群点过滤处理此类情况，但基于 feed-forward 的3D重建模型缺乏这些显式机制，导致在野外条件下性能下降。本文发现，现有的 feed-forward 重建模型（例如VGGT），尽管缺乏显式离群点过滤机制或噪声感知训练，仍能本质上区分干扰图像。通过在不同比例的合成干扰图像下进行深入分析，我们识别出一个特定层天然 exhibits 离群点抑制行为。进一步探究表明，该层编码判别性内部表征，使其有效的噪声过滤能力得以实现。我们仅利用这一隐式过滤机制即可在无需额外微调或监督的情况下，对 feed-forward 3D重建进行离群视图过滤。广泛的在控制环境和野外数据集上的实验表明，这种隐式过滤机制是一致的，并且在多种场景中具有良好的概括性。