地平线机器人实验室发了个原生视频几何基础模型 LoFT:只看 RGB 视频,就能同时算出相机位姿、内参和逐帧深度,把场景的三维结构恢复出来,训练用了约 297 万条有效序列、9.62 亿帧图像。 它用的是双循环 Transformer 架构,在 SpatialBench、ClassicBench 和 VRBench 评测里,多项深度估计指标达到了 SoTA。 视频直接变三维,这路子要是跑通了,后面能玩的花样不少。
🌐 链接: https://x.com/taiyanghere/status/2123272323952165244
🏷️ 分组: X|太阳(taiyanghere)
🕒 时间: 2026-11-19 12:29:05
🌐 链接: https://x.com/taiyanghere/status/2123272323952165244
🏷️ 分组: X|太阳(taiyanghere)
🕒 时间: 2026-11-19 12:29:05