超越前沿：SCAGE利用几何异常引导3D自主探索与高保真重建
传统3D自主探索方法（如FrontierNet）往往只关注最大化空间体积覆盖率，导致轨迹效率低下且最终重建质量不足，无法捕捉精细几何细节。本文提出SCAGE框架，核心在于∆-Net网络，它基于Point Transformer V3训练，通过预测点分布偏移量来学习室内结构先验。推理时，系统计算全局归一化异常分数，聚类高异常区域并生成自适应6-DoF观察视点。实验显示，该方法在HM3D数据集上平均体积覆盖率达89.7%，Chamfer Distance仅为0.91×10⁻³，优于基线近三倍。真实世界验证表明，网络能识别训练集外未见结构的异常，证明其具备底层几何理解能力而非简单记忆。