# VGGT

视频扩散模型在镜头移动或物体运动时容易丢失场景几何，原因是跨帧注意力常把响应分散到多个区域，无法稳定指向同一景物。GAD把冻结的几何基础模型VGGT-在干净视频上的注意力提取为对应关系目标，并按噪声时间步把监督路由到场景结构正在形成的层，用成对与跨轨两种监督训练视频注意力。在RealEstate10K与DL3DV-10K的15秒长程生成上，Wan2.2 5B加入GAD后跨帧匹配命中率在两个数据集上均至少相对提升30%，且推理时不增加额外模块或计算。

视频扩散模型在镜头移动或物体运动时容易丢失场景几何，原因是跨帧注意力常把响应分散到多个区域，无法稳定指向同一景物。GAD把冻结的几何基础模型VGGT-在干净视频上的注意力提取为对应关系目标，并按噪声时间步把监督路由到场景结构正在形成的层，用成对与跨轨两种监督训练视频注意力。在RealEstate10K与DL3DV-10K的15秒长程生成上，Wan2.2 5B加入GAD后跨帧匹配命中率在两个数据集上均至少相对提升30%，且推理时不增加额外模块或计算。

VGGT-Diff 提出一种几何路由的多视角扩散框架，用冻结的 VGGT-Ω 把源视角特征连同 3D 点与置信度经置信度感知的 Visual Geometry Router 变换为与查询视角对齐的条件，注入预训练 Wan2.1-I2V-14B 视频扩散模型，并用 Point-Track Residual Consistency 沿可靠 3D 点轨迹对齐各视角的预测干净残差；在仅 980 个 DL3DV 训练场景下，于 6188 个 DL3DV-Benchmark 目标上 PSNR、LPIPS、DreamSim 排名第一、SSIM 第二，零样本 Mip-NeRF 360 上 LPIPS 与 DreamSim 第一、PSNR 第二。

VGGT-Diff 提出一种几何路由的多视角扩散框架，用冻结的 VGGT-Ω 把源视角特征连同 3D 点与置信度经置信度感知的 Visual Geometry Router 变换为与查询视角对齐的条件，注入预训练 Wan2.1-I2V-14B 视频扩散模型，并用 Point-Track Residual Consistency 沿可靠 3D 点轨迹对齐各视角的预测干净残差；在仅 980 个 DL3DV 训练场景下，于 6188 个 DL3DV-Benchmark 目标上 PSNR、LPIPS、DreamSim 排名第一、SSIM 第二，零样本 Mip-NeRF 360 上 LPIPS 与 DreamSim 第一、PSNR 第二。