VGGT

VGGT: Visual Geometry Grounded Transformer进阶

一次前向就从多张图算出相机参数、深度和点云的三维视觉模型

VGGT 是牛津大学视觉几何组（VGG）和 Meta AI 提出的前馈式三维重建模型，约 10 亿参数，获 CVPR 2025 最佳论文。输入一张、几张到上百张图，它一次前向推理就输出每张图的相机参数、深度图、点图（每个像素对应的 3D 坐标）和 3D 点跟踪，通常不到一秒，不需要再做光束法平差（传统重建里反复优化相机和三维点的步骤）。过去要靠 COLMAP 等多阶段流程完成的重建，被压成一个网络。具身智能里常用它从多视角图像快速拿到场景几何。原始权重仅限非商用，2025 年 7 月另发了可商用权重并开放训练代码。