GEAR 把几何当作记忆地址：用稀疏对应注意力把 ATE 降低 80.3%，实现分钟级相机可控视频生成
该工作提出 GEAR 框架，不再把历史观测融合成持久全局 3D 表示，而是用逐帧几何建立 token 级历史—目标对应，把几何当作视觉记忆的显式地址，再由 Geometric Correspondence Attention 只对几何匹配的历史特征做稀疏注意力注入，并用 Invisible Octree 剔除可投影但被遮挡的对应；在 DL3DV-Evaluation 与 WorldScore-Static 上报告了最优的视觉质量、相机控制与重访一致性，支持分钟级长时程生成。