GeoWeaver 亮相：把普通長影片切片重建，解決 3D 場景漂移難題

拿著手機拍一段十幾秒的短影片，現在的 AI 很容易就能建出一個漂亮的 3D 模型。但如果你端著鏡頭在屋裡走上兩三分鐘，事情就會迅速失控。

AI 看著看著就會迷失方向。上一秒測出來的桌子尺寸，走到房間另一頭再看可能就變小了；相機軌跡慢慢走樣，最終拼出來的 3D 世界不僅扭曲，還到處都是重影和漂移。

研究團隊公佈了名為 GeoWeaver 的 3D 重建新框架，專門用來啃下普通長影片這個硬骨頭。在多項長序列基準測試中，它拿到了最低的平均誤差。

把影片拆成切片，再用網織回去

直接把一整段長影片塞進神經網路做全域性重建，視訊記憶體根本吃不消。以往很多工具的妥協方案是切成小段各算各的，但這就像盲人摸象，每段尺度都不一樣，最後根本拼不到一塊。

GeoWeaver 的解法分為兩步，名字裡的「編織者」很形象地概括了它的機制。

第一步，它通過幾何先驗模型，把長影片拆成多個小片段，分別預測每個片段的深度、置信度以及相機引數。這保證了每一個區域性的細節足夠紮實。

第二步則是它的核心武器：測試期自適應。系統不會硬拼，而是先給各個片段做順序初始化與全域性對齊，再從粗到細地微調相機位姿、仿射深度校正和內參。

更聰明的是，它不僅看相鄰幀，還引入了跨切片重疊視角和長距離匹配約束，用專門的統計目標函式同時拉住 2D 重投影和 3D 一致性。哪怕鏡頭兜兜轉轉又回到原點，場景的尺度也不會飄掉。

論文測試顯示，這種做法換來了更乾淨的點雲和極準的相機軌跡。消融實驗甚至發現，把這套後處理拼裝流程套在別的深度模型上，同樣能顯著改善軌跡估算，說明它是一套通用的裝配邏輯。

為什麼重要

把長影片重建做穩，是很多現實應用邁向落地的關鍵門檻。

如果未來這個工具開源，普通的影片創作者、獨立遊戲開發者甚至是房產中介，可能只需要拿著手機四處走一圈，就能直接匯出一套尺度精確、不會錯位的 3D 資產，省去了昂貴的雷射雷達掃描器。

在行業層面，它給端到端重建大模型提供了一個非常實用的折中解法。現在大家都在卷一次性吃下超長上下文，但算力和視訊記憶體成本居高不下；GeoWeaver 證明了把大任務切塊、再用嚴謹的幾何約束在測試期拼接，依然能跑出極高的精度，這會啟發不少空間智慧領域的後續工程最佳化。

不過就目前而言，我們必須潑點冷水：團隊目前只放出了技術論文，程式碼和權重都還沒公開。測試期自適應在推理時也需要額外的迭代最佳化時間，在算力開銷和開箱即用之間，它顯然還需要經歷一次工程化的打磨。對於想上手的開發者來說，現在更適合把它當成一份有啟發性的思路參考，保持關注即可。