PE-Field 4D：用位置编码让视频扩散模型理解3D几何
本文提出PE-Field 4D，解决视频扩散Transformer在视角变换中几何结构丢失的问题。核心方法是将参考内容的投影位置编码注入交叉注意力机制，实现几何感知生成。在DAVIS数据集上，该方法在Dyn-MEt3R和MEt3R指标上优于ReCamMaster、GEN3C等基线。需注意，方法依赖ViPE估计深度，几何重建误差可能影响最终效果。
3D几何
FoundationGeo：通过空间尺度场与射线校正实现单目度量几何
单目度量深度估计面临尺度歧义、空间尺度漂移及射线方向偏差。FoundationGeo采用两阶段框架：第一阶段利用DINOv3初始化的ViT编码器学习高保真仿射不变相对几何；第二阶段引入空间尺度场（Spatial Scale Field）进行空间变化的度量校准，并引入射线方向校正场（Ray-Direction Correction Field）修正3D不一致性。针对训练数据中相机内参（特别是焦距）分布与测试数据不匹配的问题，通过Blender合成多样化焦距数据增强模型鲁棒性。实验显示，该方法在七个基准数据集上平均AbsRel为14.8%，δ1为80.8%，显著超越MoGe-2等基线。