SLARM：用于动态场景的流式与语言对齐重建模型
计算机视觉与模式识别
2026-03-27 v3
摘要
我们提出了SLARM，一个统一动态场景重建、语义理解和实时流式推理的前馈模型。SLARM通过更高阶的运动建模捕捉复杂非均匀运动，仅基于可微渲染训练，无需任何流场监督。此外，SLARM从LSeg提取语义特征以获得语言对齐表示。此设计使其能够通过自然语言进行语义查询，语义与几何之间的紧密耦合进一步提高了动态重建的准确性和鲁棒性。此外，SLARM使用基于窗口的因果注意力处理图像序列，实现稳定、低延迟的流式推理，而不会积累内存开销。在这个统一框架内，SLARM在动态估计、渲染质量和场景解析方面取得了最新的成果，使运动精度提高21%，重建PSNR提高1.6 dB，分割mIoU提高20%。
引用
@article{arxiv.2603.22893,
title = {SLARM: Streaming and Language-Aligned Reconstruction Model for Dynamic Scenes},
author = {Zhicheng Qiu and Jiarui Meng and Tong-an Luo and Yican Huang and Xuan Feng and Xuanfu Li and ZHan Xu},
journal= {arXiv preprint arXiv:2603.22893},
year = {2026}
}