Online3R：基于几何基础模型的在线一致性顺序重建
计算机视觉与模式识别
2026-04-13 v1
摘要
我们提出了Online3R，一个能够通过在线学习适应新场景的序列重建框架，有效解决一致性问题。具体而言，我们将一组可学习的轻量级视觉提示引入预训练的冻结几何基础模型，以捕获新环境的知识，同时保留基础模型在几何预测方面的基本能力。为解决在测试时更新这些视觉提示时存在的缺少地面实况值和高效性要求问题，我们引入了基于局部-全局自监督学习策略，通过对预测结果施加局部和全局一致性约束来实现。局部一致性约束针对中间和之前的局部融合结果进行，使模型能够使用高质量的伪地面实况信号进行训练；全局一致性约束针对跨越长距离的稀疏关键帧而非逐帧操作，允许模型以高效方式在一致预测轨迹上学习。我们的实验表明，Online3R在 various benchmarks 上优于以往的领先方法。项目页面：https://shunkaizhou.github.io/online3r-1.0/
引用
@article{arxiv.2604.09480,
title = {Online3R: Online Learning for Consistent Sequential Reconstruction Based on Geometry Foundation Model},
author = {Shunkai Zhou and Zike Yan and Fei Xue and Dong Wu and Yuchen Deng and Hongbin Zha},
journal= {arXiv preprint arXiv:2604.09480},
year = {2026}
}