Kosmo-GFM把几何基础模型接上位姿优化：34个场景平均位姿精度超过GLUEMAP，重建时间从69.67小时降到14.07小时
核心概要
Kosmo-GFM把几何基础模型GFM与位姿优化引擎PoseEngine组合成一套场景重建系统：GFM从图像和视频预测相机、深度、跨视角对应与动态三维点，PoseEngine再把这些先验纳入优化。在全部对比方法都完成的34个场景上，PoseEngine的平均位姿精度高于GLUEMAP，累计重建时间由69.67小时降至14.07小时；快速版本PoseEngine Flash用时2.62小时并保持全部图像配准。
深度剖析
场景重建不再只靠特征匹配和几何优化，也不再只靠基础模型的直接预测，而是让基础模型提供相机、深度、跨视角对应和动态点，再由优化引擎把这些预测整理成整场景一致的相机与几何。 传统重建依赖可靠视觉对应和足够视角重叠，无纹理区域、重复结构、大基线和动态场景都会削弱相机估计与几何恢复；基础模型预测本身又不天然满足整场景的跨视角与时间一致性。 在SpatialBench的Sparse与Medium两个子集上，Kosmo-GFM的绝对相对深度误差AbsRel分别为0.063和0.059，低于表中列出的其他方法；在全部对比方法都完成的34个场景上，PoseEngine的平均位姿精度高于GLUEMAP。
GFM用一套共享的多视角特征，由多个任务专用解码器分别读出相机、深度、跨视角匹配和动态点，PoseEngine则把每张中心图与邻居图组成星形组，在一次前向中同时取得几何先验和对应关系。 PoseEngine沿用GLUEMAP的星形组组织方式，每组26张图像；无序图像集合用SALAD全局描述子检索候选邻居并以Doppelgangers++验证，有序序列主要取时间相邻帧。 位姿评测覆盖34个场景、共11336张输入图像，包括15个ETH3D、9个MipNeRF360、6个Tanks & Temples和4个SMERF场景；PoseEngine的AUC@5为94.26，GLUEMAP为90.66。
训练数据来自KosmoWorld：把真实场景重建结果转成带深度和相机位姿的图像序列，用于学习几何先验。 在Sparse与Medium两个子集上，加入KosmoWorld后深度与相对位姿估计都得到改善。 Sparse子集的AbsRel由0.0854降到0.0630，Medium子集由0.0740降到0.0594；同一对照中Sparse的AUC@30由0.7197升到0.7412，Medium由0.7107升到0.7450。
启示与展望
评测范围是SpatialBench的Sparse与Medium子集上的深度、相对位姿与动态点，以及34个场景、11336张输入图像的场景级位姿与运行时间对比；3DGS渲染分数是在对测试位姿做图像条件细化之后测得，不是固定位姿的泛化测试。
缩放实验没有建立可外推的定量缩放律，3.2B循环深度变体在更高训练预算下增益变小，作者提出训练集规模与循环深度边际收益两种可能解释；动态点在被查询点于目标帧被遮挡时仍出现时间抖动，静态与动态训练配比的影响尚待受控消融确认。