三维/四维重建技术正经历一场范式革命：从高昂的全局优化向高效的前馈式（Feed-forward）架构全面转型。
- 如何在长序列处理中实现极致的内存效率？
- 如何在统一框架下同时实现几何与运动的高精度建模？
5月19日晚8点 ，青稞Talk 126期，南洋理工大学（NTU）MMLab 博士生罗奕航，将直播分享《STream3R & 4RC: 面向几何与运动理解的流式前馈 3D/4D 重建》。
STream3R：基于 Causal Transformer 的流式 3D 重建
论文：STream3R: Scalable Sequential 3D Reconstruction with Causal Transformer
链接：https://arxiv.org/abs/2508.10893
代码：https://nirvanalan.github.io/projects/stream3r
传统的重建方法在长序列下往往受限于简单的内存机制，难以扩展。STream3R 将 3D 重建重构为一个 Decoder-only Transformer 的序列配准问题。
- 因果注意力流： 借鉴大语言模型（LLM）的成功经验，引入因果注意力机制，像处理语言流一样高效处理图像序列。
- 极致泛化能力： 通过大规模 3D 数据集预训练，不仅能胜任静态场景，在动态场景及在线 3D 感知中也展现出极强韧性。
4RC：随时随地的条件查询 4D 重建
论文：4RC: 4D Reconstruction via Conditional Querying Anytime and Anywhere
链接：https://arxiv.org/pdf/2602.10094
代码：https://yihangluo.com/projects/4RC/
现有的 4D 方法往往将运动与几何解耦，或仅能产生稀疏轨迹。4RC 提出了一个"一次编码，随时随地查询（Encode-once, Query-anywhere and anytime）"的统一前馈框架。
- 全时空潜空间： 将整个视频编码为紧凑的空间-时间潜变量，支持在任意目标时间戳高效查询 3D 几何与运动。
- 极简分解： 通过将 4D 属性分解为基础几何与随时间变化的相对运动，大幅提升了学习效率与重建质量。
分享嘉宾
罗奕航，南洋理工大学（NTU）MMLab 博士生，师从Prof. Chen Change Loy和 Prof. Xingang Pan。他的研究方向主要聚焦于 3D/4D 空间智能。
主题提纲
STream3R & 4RC: 面向几何与运动理解的流式前馈 3D/4D 重建
1、回顾近年来前馈式 3D 重建技术的发展脉络
2、STream3R：基于因果注意力序列配准的流式前馈三维重建
3、4RC：通过条件查询统一框架实现 4D 重建与运动建模
4、未来方向探讨 & AMA （Ask Me Anything）环节
直播时间
5月19日(周二)20:00 - 21:00
如何观看
Talk 将在青稞社区【视频号：青稞 AI】上进行进行直播，欢迎预约观看！