VGGT4D：無需訓(xùn)練，挖掘3D基礎(chǔ)模型潛力，實現(xiàn)4D動態(tài)場景重建

如何讓針對靜態(tài)場景訓(xùn)練的 3D 基礎(chǔ)模型（3D Foundation Models）在不增加訓(xùn)練成本的前提下，具備處理動態(tài) 4D 場景的能力？

來自香港科技大學(xué)（廣州）與地平線 (Horizon Robotics) 的研究團(tuán)隊提出了 VGGT4D。該工作通過深入分析 Visual Geometry Transformer (VGGT) 的內(nèi)部機(jī)制，發(fā)現(xiàn)并利用了隱藏在注意力層中的運動線索。

作為一種無需訓(xùn)練 (Training-free) 的框架，VGGT4D 在動態(tài)物體分割、相機(jī)位姿估計及長序列 4D 重建等任務(wù)上均取得了優(yōu)異性能。

• 論文標(biāo)題: VGGT4D: Mining Motion Cues in Visual Geometry Transformers for 4D Scene Reconstruction
• 論文鏈接：https://arxiv.org/abs/2511.19971
• 項目主頁: https://3dagentworld.github.io/vggt4d/
• 代碼鏈接：https://github.com/3DAgentWorld/VGGT4D

研究背景

近年來，以 VGGT、DUSt3R 為代表的 3D 基礎(chǔ)模型在靜態(tài)場景重建中表現(xiàn)出色。然而，面對包含移動物體（如行人、車輛）的動態(tài) 4D 場景時，這些模型的性能往往顯著下降。動態(tài)物體的運動不僅干擾背景幾何建模，還會導(dǎo)致嚴(yán)重的相機(jī)位姿漂移。

現(xiàn)有的解決方案通常面臨兩類挑戰(zhàn)：

• 計算或訓(xùn)練成本高：依賴繁重的測試時優(yōu)化 (Test-time Optimization) 或需要在大規(guī)模 4D 數(shù)據(jù)集上進(jìn)行微調(diào)。
• 依賴外部先驗：通常需要引入光流、深度估計或語義分割等額外模塊，增加了系統(tǒng)的復(fù)雜性。

VGGT4D 的核心設(shè)想：能否在不進(jìn)行額外訓(xùn)練的前提下，直接從預(yù)訓(xùn)練的 3D 基礎(chǔ)模型中挖掘出 4D 感知能力？

核心洞察：VGGT 內(nèi)部的潛在運動線索

研究人員對 VGGT 的注意力機(jī)制進(jìn)行了可視化分析，觀察到一個關(guān)鍵現(xiàn)象：VGGT 的不同網(wǎng)絡(luò)層對動態(tài)區(qū)域表現(xiàn)出截然不同的響應(yīng)模式。

• 淺層網(wǎng)絡(luò)：傾向于捕捉語義上顯著的動態(tài)物體。
• 深層網(wǎng)絡(luò)：則逐漸抑制幾何不一致的區(qū)域。

這一發(fā)現(xiàn)表明，VGGT 雖然是基于靜態(tài)假設(shè)訓(xùn)練的，但其內(nèi)部實際上已經(jīng) 隱式編碼 了豐富的動態(tài)線索。

方法論：潛在運動線索的挖掘與解耦

VGGT4D 的核心貢獻(xiàn)在于提出了一套無需訓(xùn)練的注意力特征挖掘與掩膜精修機(jī)制。該方法深入特征流形內(nèi)部，利用 Gram 矩陣和梯度流實現(xiàn)了高精度的動靜分離。

跨越投影間隙：基于 Gram 相似度的特征挖掘

基于投影雅可比矩陣的梯度流精修

為了解決 Attention Map 分辨率不足導(dǎo)致的邊界模糊問題，VGGT4D 引入了 投影梯度感知精修 (Projection Gradient-aware Refinement)。

分布內(nèi)早期掩膜策略（In-Distribution Early-Stage Masking）

在推理階段，直接的全層掩膜（Full Masking）會將模型推向分布外（OOD）狀態(tài)，導(dǎo)致性能下降。

VGGT4D 提出了一種早期階段干預(yù)策略：僅在淺層抑制動態(tài) Token 的 Key 向量。這種設(shè)計既在早期切斷了動態(tài)信息對深層幾何推理的影響，又保證了深層 Transformer Block 依然在其預(yù)訓(xùn)練的特征流形上運行，從而保證了位姿估計的魯棒性。

實驗驗證

研究團(tuán)隊針對動態(tài)物體分割、相機(jī)位姿估計和 4D 點云重建三大核心任務(wù)，在六個基準(zhǔn)數(shù)據(jù)集上進(jìn)行了詳盡的定量和定性評估。

核心組件評估：動態(tài)物體分割性能

實驗首先評估了該方法的核心組件：動態(tài)物體分割。

定性分析：定性結(jié)果清晰地展示了基線方法的不足：Easi3R 的掩碼較為粗糙且遺漏細(xì)節(jié)；DAS3R 傾向于過度分割并滲入靜態(tài)背景；MonST3R 則常常分割不足。相比之下，VGGT4D 生成的掩碼更加準(zhǔn)確，且邊界更加清晰。這些結(jié)果有力地驗證了研究團(tuán)隊的假設(shè)：VGGT 的 Gram 相似度統(tǒng)計信息中嵌入了豐富的、可提取的運動線索。

魯棒性驗證：相機(jī)位姿估計

強(qiáng)大的基線與持續(xù)改進(jìn)：數(shù)據(jù)表明，原始 VGGT 已經(jīng)是一個非常強(qiáng)大的基線，其自身就優(yōu)于 MonST3R、DAS3R 等許多專門的 4D 重建方法。這表明 VGGT 的預(yù)訓(xùn)練隱式地使其對動態(tài)物體具有一定的魯棒性。然而，這種魯棒性并不完美。 VGGT4D 在所有數(shù)據(jù)集上均持續(xù)改進(jìn)了這一強(qiáng)大的 VGGT 基線。例如在 VKITTI 數(shù)據(jù)集上，VGGT4D 的 ATE 僅為 0.164，而 MonST3R 高達(dá) 2.272。

長序列魯棒性突破：在極具挑戰(zhàn)性的長序列 Point Odyssey 基準(zhǔn)測試中，VGGT4D 在所有指標(biāo)上均取得了最佳結(jié)果，同時保持了高度效率。許多其他 4D 方法由于內(nèi)存不足（OOM）錯誤甚至無法在該 500 幀序列上運行。這表明 VGGT4D 提出的顯式、無需訓(xùn)練的動態(tài) - 靜態(tài)分離方法成功地識別并消除了由運動引起的殘余位姿不一致性，從而實現(xiàn)了更穩(wěn)定、更準(zhǔn)確的相機(jī)軌跡，尤其是在長且復(fù)雜的序列上。

最終目標(biāo)：4D 點云重建質(zhì)量實驗

在 DyCheck 數(shù)據(jù)集上的評估顯示，VGGT4D 在所有重建指標(biāo)（準(zhǔn)確度、完整度和距離）上均取得了最佳性能。與 VGGT 基線相比，中位準(zhǔn)確度誤差從 0.009 降低到 0.004，平均距離從 0.150 降低到 0.123。這證明了該方法不僅實現(xiàn)了精準(zhǔn)的動靜分離，更能實質(zhì)性提升幾何重建質(zhì)量。

結(jié)語

VGGT4D 提出了一種無需訓(xùn)練的新范式，成功將 3D 基礎(chǔ)模型的能力擴(kuò)展至 4D 動態(tài)場景。該工作證明了通過合理挖掘模型內(nèi)部的 Gram 相似度統(tǒng)計特性，可以有效解耦動態(tài)與靜態(tài)信息。這不僅為低成本的 4D 重建提供了新思路，也展示了基礎(chǔ)模型在零樣本遷移任務(wù)中的潛力。