2026年11月5日,研究者在arXiv提交计算机视觉论文《SM4RT: Cascaded Feed-forward Model for 4D Reconstruction》,提出一种面向RGB视频动态场景重建的多任务级联前馈模型。论文原文
SM4RT的核心思路是先重建三维几何,再利用得到的结构信息估计物体运动,而不是分别处理几何和运动。论文称,模型将每个像素的三维运动表示在对应相机坐标系中,以减少相机移动带来的歧义;同时引入弱监督损失,用另一个时间点的标注点位置约束缺少运动标签的点。研究团队在Kubric、Waymo和Point Odyssey三个动态场景数据集上评估运动估计,并报告称该方法在多数指标上优于对比基线;在另外五个动态场景数据集上的几何重建测试中,SM4RT达到具有竞争力的结果。论文摘要
这项工作的意义在于,它把动态场景理解中的“场景长什么样”和“场景如何变化”放进连续的级联流程,试图利用几何推理帮助运动估计。若结果能在更复杂、更接近真实部署的数据上复现,可能对自动驾驶、机器人感知和视频重建等任务有参考价值。不过,目前信息来自11月5日提交的arXiv预印本,页面未显示正式期刊或会议发表信息;“多数指标最佳”和“具有竞争力”等结论属于作者在论文中的报告,仍需结合完整实验、代码和独立复现进一步判断。
参考来源:
由 AI 整理,仅供参考;请以原始来源为准。
帖子详情