算法论文8

VGGT4D：无需训练解锁4D场景重建能力

量子位2025-12-17

AI 摘要

香港科技大学（广州）与地平线团队提出VGGT4D，无需训练，从预训练3D基础模型挖掘4D感知能力。在多任务多数据集评估中表现优异，解耦动静信息，为低成本4D重建提供新思路。

关注公众号

扫码关注
第一时间收到每日精选

公众号专辑

VGGT4D：无需训练实现4D场景重建

香港科技大学（广州）与地平线研究团队提出 VGGT4D，无需训练，通过挖掘 Visual Geometry Transformer 注意力层运动线索，在动态物体分割等任务表现优异，为 4D 重建提供新思路。

视频扩散模型生成新视角视频时，现有方法缺显式3D结构。智象未来提出DreamWorld，用3D先验与两阶段框架，结合结构和生成能力，在多基准测试表现领先。

视觉-语言-动作（VLA）模型是端到端自动驾驶主流技术，但自回归解码架构有瓶颈。复旦大学与引望智能联合提出WAM-Diff2，实现自回归VLA向离散扩散模型迁移，解码加速15.1倍，多任务性能不降。

国立清华与英伟达团队研究《VLM-AR3L》，把Gemini 2.0、GPT-4.1等拉进考场，评估视觉裁决能力。结果显示Gemini综合最稳，开源小模型特定场景反超。还提出VLM-AR3L框架破使用瓶颈，实战超人类手写奖励。