技术博客

LASER: Layer-wise Scale Alignment for Training-Free Streaming 4D Reconstruction LASER 也是通过 training-free 的方式，将 FM(foudamental model) 的强大几何能力拓展到公里级序列上，其核心 insight 在于：FM 的局部重建结果是精确的，但是由于单目深度估计带来的尺度模糊性，不同 chunk 对不同深度层的尺度估计是不一致的，无法仅靠相邻 chunk 的 sim(3) 进行高质量对齐；此外，不同于 VGGT-Long，本文对推理和对齐都是流式进行的。因此，每处理好一个 chunk，首先会执行 IRLS 估计新 chunk 和全局地图的尺度变换，然后通过 Kabsch 算法估计 SE(3) 变化。此外，针对不同层深度对齐问题，文章提出 Layer-wise Scale Alignment(LSA) 方法，首先直接用预测的点云 z 坐标构建全局地图重叠部分和当前 chunk 的伪深度图，然后通过分割算法得到多层集合连续的深度层。此后，将尺度对齐视为一个图优化问题，全局 ...

VGGT-Long: Chunk it, Loop it, Align it – Pushing VGGT’s Limits on Kilometer-scale Long RGB SequencesVGGT-Long 的核心并不是重新训练一个新的 3D 基础模型，而是把 VGGT 作为强局部几何估计器，并在其外部构造一个适用于长序列的轻量级全局框架。论文中，这一框架可以概括为三个动作：Chunk it、Loop it、Align it；官方仓库则进一步把它落实为“分块推理、重叠对齐、回环约束与 chunk 级 LM 优化”的工程流程。 整体框架给定图像序列 $\mathbb{I}={I_1,\dots,I_n}$，VGGT-Long 首先将其切分为 $K$ 个带重叠的子序列，然后分别调用 VGGT 进行局部重建。接着，它利用相邻 chunk 的重叠帧估计局部 $\mathrm{Sim}(3)$ 变换，再通过回环检测补充远距离约束，最后在 chunk 层面对整条序列执行一次全局 $\mathrm{Sim}(3)$ 优化。 12345678910111213141516171 ...

Math判定质数判定质数假设 $d | n$ ，则有 $\frac{n}{d} | n$ ，不妨设 $d \lt \frac{n}{d}$，则 $d < \sqrt{n}$， 因此试除法判定质数的判断条件可以写为： 1for(int i = 2; i <= n / i; ++ i) 质数筛任意一个合数 $m$ 都可以写成 $m = p \times q$ ，其中 $p$ 为最小质因子，因此可以用线性筛。 123456789101112bool st[N]; //用以记录哪些数被筛除int primes[N], cnt;void ger_primes() { for(int i = 2; i <= n; ++ i) { if(!st[i]) primes[cnt ++] = i; // 没被筛的一定是质数 for(int j = 0; primes[j] <= n / i; ++ j) { st[primes[j] * i] = true; ...

贪心算法区间问题区间覆盖问题题目描述给定 $N$ 个闭区间 $[a_i, b_i]$，请你在数轴上选择尽量少的点，使得每个区间内至少包含一个选出的点。注意：位于区间端点上的点也算作区间内。 输入格式 第一行包含一个整数 $N$，表示区间的数量。 接下来 $N$ 行，每行包含两个整数 $a_i$ 和 $b_i$，表示一个区间的两个端点。 输出格式输出一个整数，表示所需的点的最小数量。 数据范围 $1 \leq N \leq 10^5$ $-10^9 \leq a_i \leq b_i \leq 10^9$ 输入样例1234541 32 45 76 8 输出样例12 解题思路区间按右端点非递减排序，每次选取右端点。 证明假设最优解是 $res$ ，贪心算法的解是 $cnt$ ，那么有: $res \leq cnt$ ；按照贪心算法，只有区间不相交时才会选取，意即至少有 $cnt$ 个不相交的区间，至少需要 $cnt$ 个点，那么有 $res \ge cnt$ ；因此 $res = cnt$ 。 Code1234567891011121314151617181920 ...

研究总结

梳理

利用模态特定的目标语义进行多模态3D检测

借助2D先验提升3D检测性能

点云数据

序列并查集