面向流式 3D 重建的训练-free 方法：SSR
计算机视觉与模式识别
2026-03-17 v1
摘要
流式 3D 重建需要在严格的延迟约束下进行长期状态更新，但有状态的循环模型常因随时间累积的误差而产生几何漂移。我们从 Grassmann 流形视角重新审视这个问题：隐式持久状态可以视为子空间表示，即在 Grassmann 流形上演化的一个点，其中时间一致性意味着状态轨迹应保持在（或接近）该流形上。基于此观点，我们提出 Self-expressive Sequence Regularization（SSR），这是一种即插即用、训练-free 的算子，用于在推理期间强制执行 Grassmann 序列规则。给定一个历史状态窗口，SSR 通过自表达性质计算分析亲和矩阵，并用于正则化当前更新，有效地将噪声预测拉回到流形一致的轨迹上，开销最小。在多个流式 3D 重建任务的长序列基准测试上实验表明，SSR 能一致地减少漂移并提高重建质量。
引用
@article{arxiv.2603.14765,
title = {SSR: A Training-Free Approach for Streaming 3D Reconstruction},
author = {Hui Deng and Yuxin Mao and Yuxin He and Yuchao Dai},
journal= {arXiv preprint arXiv:2603.14765},
year = {2026}
}
备注
8 pages