LongStream：面向长序列的自回归式视觉几何
计算机视觉与模式识别
2026-03-16 v2
摘要
长序列 3D 重建仍是一个重要的开放挑战。现有的自回归模型在处理长序列时常常失败，因为它们将姿态锚定在第一帧，从而导致注意力衰减、尺度漂移和外推误差。我们引入 LongStream，一种用于在严格在线、不可见未来情境下进行千帧级尺度场景重建的新型仪表盘解耦式流式视觉几何模型。我们的方法有三方面。首先，我们放弃第一帧锚定，预测关键帧相对姿态。这将长程外推重新表述为常规难度的局部任务。其次，我们引入正交尺度学习。该方法充分解耦几何与尺度估计，以抑制漂移。最后，我们识别到 Transformer 中注意力偏差问题，包括注意力-sink 依赖和长期 KV 缓存饱和。我们提出结合周期性缓存刷新的缓存一致训练方法。这一方法抑制了超长序列上的注意力偏差和污染，并缩小了训练与推理之间的差距。实验表明，LongStream 实现了最先进的性能，使我们能够以 18 FPS 的速度实现跨千米尺度序列的稳定、尺度精准的重建。项目页面：https://3dagentworld.github.io/longstream/
引用
@article{arxiv.2602.13172,
title = {LongStream: Long-Sequence Streaming Autoregressive Visual Geometry},
author = {Chong Cheng and Xianda Chen and Tao Xie and Wei Yin and Weiqiang Ren and Qian Zhang and Xiaoyang Guo and Hao Wang},
journal= {arXiv preprint arXiv:2602.13172},
year = {2026}
}
备注
CVPR2026 accepted