SAM-V：把多视图几何注进 SAM，跨视角分出同一个物体
SAM-V 在掩码解码前融合冻结的 SAM 与 VGGT，并用相机 token 和提示位置的局部特征锚定稀疏点，从而一次前向预测跨视图的同一实例。
VGGT
VGGT-CAD：用几何先验从单图或多视角视频还原可编辑参数化CAD
VGGT-CAD 把预训练 VGGT 几何先验与相机条件编码迁到参数化 CAD 序列预测，用可变视角聚合和非自回归解码，并发布 VideoCAD 基准。
几何基座统一3D感知：GeoUP如何让一个骨干同时支撑深度、检测与占用
GeoUP将VGGT的重建导向潜在表示适配到标定流式多相机驾驶场景，通过时序-视角注意力分解与raymap注入，以单一架构支持深度估计、3D检测与语义占用预测。
UAV3DCrop：三维重建在农田里为何“好看”不等于“好用”？
现有的三维重建基准，要么是ETH3D这样的通用场景，要么是室内盆栽的作物数据集，没有一个把田间尺度的多角度重建和农艺实测指标挂起钩来。更关键的是，最近火热的零样本前馈模型——比如DUSt3R和VGGT——号称能从几张图直接预测三维结构，但它们飞到玉米地上空还能不能行，从来没人认真检验过。UAV3DCrop为此设计了两条赛道：赛道A让NeRF和3DGS方法在已知位姿下逐场景优化，赛道B让前馈模型在完全零样本的条件下直接预测位姿和几何。
LAWM-3D：从人类视频中学习3D感知的潜在动作，构建可泛化的机器人世界模型
提出LAWM-3D框架，通过多视角联合训练、非单射RGB-D重建和几何特征对齐，从无标签人类视频中学习视角不变的3D感知潜在动作，显著提升世界模型的生成质量、物理一致性和泛化能力。