研究人员推出 VGGT-Ω，一个新模型，与前代 VGGT 相比，显著提高了场景重建的准确性和效率。通过架构修改，该模型减少了 GPU 内存使用，从而能够使用更多监督数据进行训练，并利用大量无标签视频。该模型还包含一种新颖的自监督学习协议和寄存器注意力机制。VGGT-Ω 在多个基准测试中展示了最先进的性能，包括在 Sintel 上相机估计准确率提高了 77%，并有望通过作为空间理解的代理任务来改进视觉-语言-动作模型。 AI
影响 在相机估计基准测试中设定了新的 SOTA，有望改进视觉-语言-动作模型。
排序理由 该集群包含一篇详细介绍新模型发布及基准测试结果的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
