公里級場景也能穩住了，國產團隊把長視頻3D重建又往前推了一步

長視頻 3D 重建最怕的，其實不是 "看不清"。

前面幾十幀拍得再好，序列一拉長，軌跡就開始慢慢歪。模型在短片段上表現還行，但讓它一口氣吃掉幾百上千幀，誤差會一段接一段往后累。到了公里級大場景，這個問題被放得非常大。

浙江大學、地平線機器人和之江實驗室最近的新工作Scal3R，要解決的就是這件事。

以往做長序列重建，大家主要在 "怎么切塊、怎么拼回去" 上做文章。

Scal3R 則更進一步關注問題本質：推理時要處理超長序列，訓練時也應該讓模型見過超長序列。作者借助 test-time training 技術，設計了一個全局上下文模塊和同步機制，將長序列訓練、推理以及跨 chunk 的信息更新放進同一個流程里，大幅提升了長序列重建的穩定性和精度。

Scal3R 能夠處理超萬幀幾千米的超大規模場景三維重建，輸出精確的相機位姿和點云，下面是真實拍攝浙大紫金港校區的重建效果：

視頻鏈接：https://mp.weixin.qq.com/s/Yi8AMQ3BxcTCLUDlzvLlcg

和 Depth Anything 3（Streaming 模式）的可視化對比：

視頻鏈接：https://mp.weixin.qq.com/s/Yi8AMQ3BxcTCLUDlzvLlcg

論文 Scal3R: Scalable Test-Time Training for Large-Scale 3D Reconstruction 已上線 arXiv，代碼和模型權重分別發布在 GitHub 和 Hugging Face 平臺：

• 論文鏈接：https://arxiv.org/abs/2604.08542
• 論文主頁：https://zju3dv.github.io/scal3r/
• 代碼倉庫：https://github.com/zju3dv/Scal3R
• 模型地址：https://huggingface.co/xbillowy/Scal3R

超大規模場景重建問題在哪

這兩年 VGGT 這類前饋式 3D foundation model 已經能直接從 RGB 估計相機參數、深度和點云，精度相當不錯。

但場景一變大、序列一拉長，麻煩就來了。

一方面，Transformer 的長序列建模本身就貴，計算和顯存都會飛漲。

另一方面，很多方法訓練和測試時面對的序列形態根本對不上。訓練通常喂短序列或局部窗口，測試卻要求模型吞幾百幀甚至上千幀，這種錯位會把長程漂移放大。

目前應對長序列大致有兩條路。

一條是壓縮 token，把更長序列硬塞進模型。確實能省一些計算，但細節和長程依賴也容易跟著被壓掉。

另一條是 chunk-based 路線：先切成多個重疊片段各自重建，再做跨塊對齊。這條路比較實用，擴展性也好，只是前提是每一塊的局部幾何預測要夠準，否則塊間誤差會繼續被放大。

所以問題的重點并不是 "怎么處理長序列"，而是怎么讓模型訓練時就學會處理長序列，再用同一套機制在測試時穩住局部幾何和全局一致性。

Scal3R 是怎么做的

Scal3R 是在 VGGT 的視覺幾何能力上往前走的。局部幾何依然重要，Scal3R 沒打算繞開它，只是希望這份能力在長序列訓練和長序列推理里以一致方式被使用。

作者的想法很直接：要讓模型測試時穩住長視頻，就不能只拿短片段訓練然后指望它自然泛化到長序列。所以 Scal3R 借助 test-time training 相關機制，把長序列訓練、長序列推理以及跨 chunk 的信息更新放進同一個流程里

Scal3R 的整體框架。輸入長序列首先被切成多個重疊 chunk 并行處理，訓練和推理都圍繞長序列展開，并通過測試時更新與跨 chunk 同步提升大規模場景重建的一致性。

圍繞這個思路，論文給出了兩個核心模塊。

一個是全局上下文記憶模塊（Global Context Memory，GCM）。

它由若干自適應存儲單元（Adaptive Memory Units）組成，可以當成一組輕量的、可更新的上下文模塊。每處理完一個 chunk，模型會通過自監督目標更新這些單元。GCM 在這里起兩個作用：一是跨 chunk 累積并保留上下文信息；二是讓訓練和測試階段用同一套逐 chunk 更新方式，模型從訓練第一步起就在適應長序列。

另一個是全局上下文同步機制（Global Context Synchronization，GCS）。

GCM 管逐 chunk 更新和上下文累積，GCS 負責把這些更新在不同 chunk 之間同步起來，使用 PyTorch DDP 的 all-reduce 機制，在不同的 chunk 之間同步自適應存儲單元的自監督梯度。

Scal3R 處理長序列時會把它切成多個重疊 chunk，分配到不同 GPU 上并行跑。GCS 讓這些 chunk 的更新彼此同步，不管訓練還是推理，整個長序列機制都是一致的，不會出現訓練時學局部、測試時臨時拼一下的情況。

關鍵的點是，作者并沒有把 test-time training 當成測試階段的臨時補丁，而是把它變成支撐長序列訓練和長序列推理對齊的一種方式；GCM/GCS 則在這種長序列機制里做更新、保留和同步。

為什么 Scal3R 的做法可以穩住長序列

長序列重建里最棘手的情形，經常不是 "看不見"，而是局部都能看懂、時間跨度一長就不一定穩得住。

大尺度室外場景里的重復紋理、長距離視角變化、稀疏采樣、長走廊、回環閉合 —— 每一項都在考驗局部幾何預測的魯棒性。局部塊必須先算得準，跨塊同步和長程約束才有意義；否則局部誤差會順著整條序列一路被放大。

Scal3R 的價值就在這里。

它沒有把長視頻簡單切開再拼回去，而是讓模型在訓練階段就反復經歷 "長序列 + 逐 chunk 更新 + 跨 chunk 同步" 的完整過程。等到測試時，模型遇到的行為模式和訓練時是一樣的。

這時 memory 的角色就清楚了：GCM 不替代局部幾何預測，只是在逐 chunk 訓練和推理里提供一份可更新的上下文狀態，把前后 chunk 的信息接起來 —— 前提依然是局部幾何得可靠。

所以 Scal3R 重要的地方不在削弱局部幾何，而在把局部幾何、可更新上下文、長序列訓練、測試時同步這四件事放到同一個框架里。

一，長序列被拆成 chunk 來算。這把原本隨序列長度平方增長的計算壓力攤平了。按論文里的視角，全序列注意力的復雜度會隨長度快速上升，chunk-wise 處理則把問題改寫成更可控的局部計算，再通過融合擴展到整段序列。

二，不是簡單分塊，而是逐 chunk 更新、再做同步。很多分塊方法塊和塊之間是割裂的，算完就算完了。Scal3R 會在每個 chunk 上算可更新模塊的變化，再由 GCS 把這些更新在 chunk 之間同步起來。網絡雖然按塊處理，但訓練和測試時都在學習怎么把局部結果放回長序列里。

三，訓練時就直接面向長序列。論文里講得比較清楚：訓練階段會直接采樣連續長序列，再用不同 GPU 分組去覆蓋不同的有效序列長度。TTT 在這里更像是一種手段 —— 讓長序列訓練可行，也讓測試行為和訓練行為保持一致。

這三條合起來就能解釋為什么 Scal3R 不止是 "能跑長序列"，而是在長序列上把局部幾何質量、效率和整體一致性都穩住了。

在基準測試上的效果

論文從相機位姿和三維重建兩部分做了比較完整的評估，覆蓋室內外和不同尺度的場景，結果顯示提升很扎實。

論文主表中的位姿與資源對比，覆蓋 VKITTI2、KITTI Odometry 和 Oxford Spires。

相機位姿估計：表里 baseline 大致可以分成三類。SLAM / SfM 方法在條件合適時很準，比如 COLMAP 在 Oxford Spires 上很強，DPVO++ 在 VKITTI2 上誤差也低；但它們要么需要內參，要么速度慢，在資源統計中，COLMAP 平均一次推理要 6614.73 秒。前饋和 streaming 方法更快，但長序列漂移壓不住，FastVGGT 還會遇到顯存問題。最接近的對照是 VGGT-Long：它比不少 streaming baseline 穩，但 KITTI 上 ATE / RTE / RRE 仍是 25.94 / 9.67 / 1.71，而 Scal3R 是 14.55 / 4.61 / 0.97；Oxford Spires 上也從 15.46 m 降到 4.45 m。

大規模多場景軌跡對比。藍線是預測軌跡，紅色虛線是真值軌跡。

軌跡圖更直觀：KITTI 00 上 Scal3R 的 ATE 是 4.298，VGGT-Long 是 8.637；Oxford Keble 04 和 Oxford Quarter 01 上 ATE 分別是 2.448 和 1.624。藍線基本能貼住真值軌跡，其他方法更容易漂成局部團塊。

再看三維重建精度

三維重建點云評測，指標為 Chamfer Distance（越低越好）和 F1（越高越好）

這張表更直接。Scal3R 在 ETH3D、Oxford Spires、VKITTI2 三個數據集上六個指標都是最優：ETH3D 是 0.11 / 0.91，Oxford Spires 是 0.96 / 0.96，VKITTI2 是 0.40 / 0.91。對比最強的 VGGT-Long，ETH3D 從 0.24 / 0.84 提到 0.11 / 0.91；Oxford Spires 從 3.41 / 0.80 提到 0.96 / 0.96；VKITTI2 則從 1.78 / 0.70 提到 0.40 / 0.91。這里的差距不只是局部幾何更準，也和前面的位姿穩定性有關：軌跡一旦漂了，后面拼出來的點云通常也會散。

重建對比圖，展示 Oxford Keble 04 和 ETH3D Terrains 等場景。

定性圖也對得上表格。像 Oxford Keble 04 這種大尺度校園場景，Scal3R 的建筑輪廓和庭院結構更完整；ETH3D Terrains 紅框里的墻面和門框邊界也更規整。FastVGGT、VGGT-Long、TTT3R 在不同場景里會出現局部破碎、漂散或者結構發糊，原因往往不是某一幀深度錯了，而是長序列位姿和局部幾何沒有一起穩住。

精度之外再看下資源和擴展性。Scal3R 可以在單張 RTX 4090 上完成推理，它不是吞吐最快的方案，但在精度、長序列穩定性和可擴展性之間做了一個比較實用的取舍。補充材料里還分析了隨序列變長的趨勢：從 150 幀漲到 990 幀，整體運行時間基本呈線性增長，相對位姿誤差則穩在 0.07 到 0.08 m，說明它不是只適配某個固定長度。

結語

Scal3R 最值得留意的地方，不只是又做出來一個更強的長序列 3D 重建方法，而是它把問題的重點重新擺過一遍。

它沒有把 "大規模 3D 重建" 簡單理解成更大的 backbone、更多 token 或者更激進的壓縮，而是問了一個更靠前的問題：模型要想在測試時吞下長序列，訓練時是不是也得先真正學過長序列？

順著這個視角往下看，Scal3R 提出的其實不只是一個記憶模塊，更像是一種把局部幾何、可更新上下文、長序列訓練和測試時同步串起來的思路。對 3D 重建如此，搬到更廣泛的長視頻場景理解任務上，可能也差不多。

如果你正在關心這幾件事 —— 長視頻怎么做高質量 3D 重建；foundation model 怎么擴展到公里級場景；test-time training 除了語言和分類任務，還能怎么真正落到 3D 視覺里 —— Scal3R 值得花點時間細讀。

視頻鏈接：https://mp.weixin.qq.com/s/Yi8AMQ3BxcTCLUDlzvLlcg