S-VGGT：面向可扩展3D基础模型的结构感知子场景分解

前馈式3D基础模型面临关键挑战：由全局注意力引入的二次计算成本，随输入长度增加而严重限制可扩展性。同时出现的加速方法，如token合并， operate at the token level。虽然它们提供局部节省，但所需的最近邻搜索引入不可取的开销。因此，这些技术未能解决稠密捕获数据中占主导地位的结构冗余问题。在本工作中，我们引入S-VGGT，一种在结构层面上解决冗余的新方法，大幅转移优化重点。我们首先利用初始特征构建稠密场景图，该图刻画结构场景冗余并指导后续场景分区。借助该图，我们软性地将帧分配到少数子场景中，确保分组平衡且几何过渡平滑。核心创新在于设计子场景共享公共参考帧，建立一种平行的几何桥梁，使其能够无需显式几何对齐即可独立且高度有效地进行处理。这种结构重组织通过根本性地消除全局注意力成本的根源，提供强大的内在加速。关键的是，S-VGGT完全与token级别加速方法正交，可无缝组合以实现叠加加速，同时不损害重建保真度。代码已公开于https://github.com/Powertony102/S-VGGT。