FILT3R：用于流式 3D 重建的潜在状态自适应卡尔曼滤波器
计算机视觉与模式识别
2026-03-20 v1 人工智能
机器学习
摘要
流式 3D 重建维护一个持续更新的潜在状态，从不断到达的帧中进行在线更新，实现常数内存推理。一个关键失效模式在于状态更新规则：激进的覆盖会忘记有用的历史记录，而保守的更新则无法跟踪新证据，两者在训练时限之外都会变得不稳定。为此，我们提出 FILT3R，一套训练-free 的潜在滤波层，将循环状态更新建模为令牌空间中的随机状态估计问题。FILT3R 为每个令牌维护方差并计算卡尔曼式增益，以自适应方式平衡记忆保留与新观察之间的权衡。过程噪声——即潜在状态在帧之间被预期发生变更的程度——通过 EMA 归一化的候选令牌时间漂移在线估计。通过大量实验，我们展示 FILT3R 提供一种可解释、可插入的更新规则，可泛化为常见的覆盖和门控策略的特殊情况。具体而言，我们表明在不确定性随累积证据收缩的情况下，增益会减小；当真实场景变化增加过程不确定性时，增益会上升，从而提升深度、姿态和 3D 重建在超越训练时限的稳定性。代码将在 https://github.com/jinotter3/FILT3R 发布。
引用
@article{arxiv.2603.18493,
title = {FILT3R: Latent State Adaptive Kalman Filter for Streaming 3D Reconstruction},
author = {Seonghyun Jin and Jong Chul Ye},
journal= {arXiv preprint arXiv:2603.18493},
year = {2026}
}