实时 3D 场景重建新突破：LingBot-Map 前馈式模型，万帧视频秒变点云

一个前馈式 3D 基础模型，从流式数据实时重建场景——20 FPS 推理速度，10000+ 帧稳定输出，不依赖迭代优化。

这个项目解决什么问题？

传统 3D 场景重建需要先拍完所有照片或视频，然后用 COLMAP/NeRF 做离线优化——等几个小时甚至几天才能看到结果。LingBot-Map 换了一种思路：前馈式（feed-forward），看到一帧重建一帧，不需要回头优化。20 FPS 的推理速度让它可以处理超过 10000 帧的长视频序列，这在之前的前馈式模型里是做不到的。

核心亮点

Geometric Context Transformer（GCT）：LingBot-Map 的核心架构，把三种能力统一到一个框架里：

1. Anchor Context——锚点上下文，建立全局坐标基准
2. Pose-Reference Window——姿态参考窗口，用相邻帧约束局部几何
3. Trajectory Memory——轨迹记忆，长程漂移校正

Paged KV Cache Attention：借鉴了 LLM 推理的分页缓存思想，让模型在 10000+ 帧的长序列上保持稳定推理，不会因为序列过长而崩溃。

全流式推理：不需要 COLMAP 做预处理，不需要全局 BA 优化，模型看到每帧就输出该帧的深度和姿态。518×378 分辨率下 ~20 FPS。

快速上手

conda create-nlingbot-mappython=3.10-yconda activate lingbot-map pipinstalltorch==2.8.0torchvision==0.23.0 --index-url https://download.pytorch.org/whl/cu128 pipinstall-e.pipinstallflashinfer-python# 下载模型（HuggingFace）python demo.py--model_pathlingbot-map-long.pt\--image_folderexample/courthouse--mask_sky# 浏览器打开 http://localhost:8080 查看 3D 点云

我的评价

LingBot-Map 在学术上确实有突破——前馈式流式 3D 重建做到 20 FPS 和 10000+ 帧稳定输出。对比 DUSt3R 和 MASt3R 等同类工作，它在长序列上的表现明显更好。

但离实际落地还有距离。安装依赖链复杂（PyTorch 2.8.0 + FlashInfer + Kaolin），GPU 需求 24GB+ VRAM，而且目前只出了 demo 和论文，离"开箱即用"还差一个完整的应用层。如果你在做 3D 视觉研究，这个项目值得关注；如果你只是想拍个视频生成 3D 模型，建议再等等后续的封装版本。