论文页面 - BA-T：用于双视图束调整的迭代Transformer

来源：https://huggingface.co/papers/2606.03287

摘要

BA-T是一种迭代式Transformer架构，通过受束调整启发的结构化更新，提高了三维重建的精度和跨视图一致性，其轻量化设计仅需传统解码器参数的16%。

前馈模型（https://huggingface.co/papers?q=Feed-forward%20models）在三维重建（https://huggingface.co/papers?q=3D%20reconstruction）中通过使用深度跨视角注意力（https://huggingface.co/papers?q=deep%20cross-view%20attention）来跨图像交换信息，取得了强劲的性能。然而，这些方法通常依赖厚重的解码器堆栈（https://huggingface.co/papers?q=decoder%20stacks），且缺乏结构化的几何精化（https://huggingface.co/papers?q=geometry%20refinement）机制，导致多视图一致性较差。我们通过借鉴经典束调整（https://huggingface.co/papers?q=bundle%20adjustment）（BA）来应对这一问题，BA可被视为姿态与局部几何之间迭代信息传播的过程。受BA启发，我们提出了BA-T，一种迭代式Transformer（https://huggingface.co/papers?q=iterative%20Transformer），它将BA风格的结构化更新实现为隐式令牌空间（https://huggingface.co/papers?q=implicit%20token%20space）中可重复的层。BA-T不依赖深层注意力堆栈，而是基于潜残差（https://huggingface.co/papers?q=latent%20residual）通过单个轻量级层来精化预测。实验表明，BA-T在迭代过程中逐步提升姿态和重建精度，实现了比传统解码器更强的跨视图一致性（https://huggingface.co/papers?q=cross-view%20consistency），并且在使用仅16%解码器参数的情况下，与远大于自己的模型性能相当或更优。BA-T为深度密集型注意力（https://huggingface.co/papers?q=depth-heavy%20attention）提供了一种紧凑、高效且结构化的替代方案，使得在轻量化架构中也能实现精确的三维重建（https://huggingface.co/papers?q=3D%20reconstruction）。代码将在 https://github.com/zhangganlin/BA-T 公开。

查看 arXiv 页面（https://arxiv.org/abs/2606.03287）查看 PDF（https://arxiv.org/pdf/2606.03287）GitHub5（https://github.com/zhangganlin/BA-T）添加至收藏（https://huggingface.co/login?next=%2Fpapers%2F2606.03287）

引用该论文的模型0

尚无模型关联此论文

请在模型 README.md 中引用 arxiv.org/abs/2606.03287，以便从此页面链接。

引用该论文的数据集0

尚无数据集关联此论文

请在数据集 README.md 中引用 arxiv.org/abs/2606.03287，以便从此页面链接。

引用该论文的 Spaces0

尚无 Space 关联此论文

请在 Space README.md 中引用 arxiv.org/abs/2606.03287，以便从此页面链接。

收录该论文的合集0

尚无合集收录此论文

请将此论文添加至合集（https://huggingface.co/new-collection），以便从此页面链接。