手术视频有了4D标注：SurgTAP-3D把52万帧单目画面变成百万条三维轨迹
微创手术的视觉-语言-动作模型和世界模型需要大规模三维监督，但公开手术数据集多来自离体或仿真场景，且只标注组织或器械之一，缺少工具与组织接触区域的标注。SurgTAP-3D从无标定的单目手术视频出发，用接触区域提示、活动器械分割、动态光束法平差和全局4D优化生成伪尺度的相机位姿、深度与二维/三维点轨迹，汇集4549段动作片段、519642帧和约138万条轨迹，覆盖机器人手术与手动手术。在SurgT、SurgPose和STIR三个基准上，该流程的三维跟踪平均AJ3D为56.57，高于表中对比方法。