GeoWeaver 亮相：把普通长视频切片重建，解决 3D 场景漂移难题

拿着手机拍一段十几秒的短视频，现在的 AI 很容易就能建出一个漂亮的 3D 模型。但如果你端着镜头在屋里走上两三分钟，事情就会迅速失控。

AI 看着看着就会迷失方向。上一秒测出来的桌子尺寸，走到房间另一头再看可能就变小了；相机轨迹慢慢走样，最终拼出来的 3D 世界不仅扭曲，还到处都是重影和漂移。

研究团队公布了名为 GeoWeaver 的 3D 重建新框架，专门用来啃下普通长视频这个硬骨头。在多项长序列基准测试中，它拿到了最低的平均误差。

把视频拆成切片，再用网织回去

直接把一整段长视频塞进神经网络做全局重建，显存根本吃不消。以往很多工具的妥协方案是切成小段各算各的，但这就像盲人摸象，每段尺度都不一样，最后根本拼不到一块。

GeoWeaver 的解法分为两步，名字里的「编织者」很形象地概括了它的机制。

第一步，它通过几何先验模型，把长视频拆成多个小片段，分别预测每个片段的深度、置信度以及相机参数。这保证了每一个局部的细节足够扎实。

第二步则是它的核心武器：测试期自适应。系统不会硬拼，而是先给各个片段做顺序初始化与全局对齐，再从粗到细地微调相机位姿、仿射深度校正和内参。

更聪明的是，它不仅看相邻帧，还引入了跨切片重叠视角和长距离匹配约束，用专门的统计目标函数同时拉住 2D 重投影和 3D 一致性。哪怕镜头兜兜转转又回到原点，场景的尺度也不会飘掉。

论文测试显示，这种做法换来了更干净的点云和极准的相机轨迹。消融实验甚至发现，把这套后处理拼装流程套在别的深度模型上，同样能显著改善轨迹估算，说明它是一套通用的装配逻辑。

为什么重要

把长视频重建做稳，是很多现实应用迈向落地的关键门槛。

如果未来这个工具开源，普通的视频创作者、独立游戏开发者甚至是房产中介，可能只需要拿着手机四处走一圈，就能直接导出一套尺度精确、不会错位的 3D 资产，省去了昂贵的激光雷达扫描仪。

在行业层面，它给端到端重建大模型提供了一个非常实用的折中解法。现在大家都在卷一次性吃下超长上下文，但算力和显存成本居高不下；GeoWeaver 证明了把大任务切块、再用严谨的几何约束在测试期拼接，依然能跑出极高的精度，这会启发不少空间智能领域的后续工程优化。

不过就目前而言，我们必须泼点冷水：团队目前只放出了技术论文，代码和权重都还没公开。测试期自适应在推理时也需要额外的迭代优化时间，在算力开销和开箱即用之间，它显然还需要经历一次工程化的打磨。对于想上手的开发者来说，现在更适合把它当成一份有启发性的思路参考，保持关注即可。