该篇论文被 ICLR 2026 录用。
论文标题： π³: PERMUTATION-EQUIVARIANT VISUAL GEOMETRY LEARNING
GitHub项目：https://github.com/yyfz/Pi3
论文链接：https://www.lab4ai.cn/paper/detail/reproductionPaper?utm_source=aliyun_pi3&id=6ce923eecb1047d0b59c8689c27cb2ed
01 引言
视觉几何重建是计算机视觉领域的核心任务，广泛应用于 AR、机器人、自主导航等场景。
不管是传统 SfM、MVS，还是近几年最火的 DUSt3R、VGGT、FLARE 等前馈 3D 重建模型，全都有一个沿用了几十年的 默认操作：用多张照片重建 3D 场景时，必须先选一张当 “主参考照片”。
但这个设计藏着缺陷：
- 过度依赖“主角”： 之前的模型（如 DUSt3R 或 VGGT）通常需要选定一张照片作为参考视图，并以它的视角作为整个 3D 世界的中心 。
- 脆弱的稳定性： 如果选定的那张参考照片拍得不好，比如太模糊、光照差或遮挡多，整个场景的重建就会由于“先入为主”的偏见而彻底失败 。
- 顺序敏感： 同样的几张照片，如果输入的顺序变了，或者选了不同的照片当“主角”，出来的结果往往大相径庭，这在实际应用中是非常危险的 。
于是，论文作者直接给出了一个颠覆性答案：我们干脆不要主参考照片了！作者提出一个排列等变模型，不依赖参考帧、不依赖输入顺序，照样实现高精度、高速度的 3D 几何重建。
PS：大模型实验室Lab4AI提供科研skills，赋能科研全流程。
02 核心思路
2.1 排列等变架构
以前的 AI 就像一个性格古怪的摄影师：你给它一组照片，它必须死板地认定第一张或者它自认为最好的一张照片为绝对中心，所有其他照片都要围着它转。这种先入为主的偏见，让 AI 变得极其敏感。一旦这张中心照片拍得模糊、光照不好，或者你只是调换了一下照片的顺序，AI 就会‘闹情绪’，最后生成的 3D 模型轻则走形，重则直接崩溃。
π³ 带来的最大突破，就是实现了一种“完全排列等变”架构。
什么是排列等变架构？
π³模型在处理照片时，把所有照片放在一个圆桌会议上平等对待。即无论你给它的照片序列是 1-2-3 还是 3-1-2，模型都能给每张图精准地算出它的相机位置、立体形状和自信度。
那这是如何做到的呢？
为了让模型达到这种不看顺序、只看内容的效果，研发团队做了以下工作：
- 撕掉“排号标签”： 以前模型会给照片贴上“第1帧”、“第2帧”的标签，这会让 AI 产生先入为主的偏见，π³索性把这些标签全撕了。
- 取消“主角光环”： 团队去掉了所有专门用来标记“参考视角”的特殊指令。
- 平等对话： 它借用了 DINOv2来理解照片，并让照片之间进行“全员大讨论”，共同商量出最优的 3D 方案。
这么处理能够实现无论选哪张照片当头，或者把序列怎么乱排，重建出来的 3D 质量都一样稳。
2.2 尺度不变的局部几何
如果说排列等变解决了 AI 的偏见问题，那么尺度不变几何就解决了 AI 的空间感。
对于每一张输入的照片，AI 都会先画出一份 3D 点云图。但这时候有一个大难题：比例尺模糊。
通俗点说，AI 看到照片里的一辆车，它分不清那是 5 米外的一辆真车，还是 0.5 米外的一个玩具车模型。在单张照片里，物体的远近和大小是很难绝对分清的。
为了解决这个问题，π³做到保证在同一组照片里，即使不知道绝对尺寸，但它用的比例尺完全一致。
首先，AI 会通过ROE 求解器，找到一个最完美的“奇迹倍数”，把所有的“小素描”同时放大或缩小，直到它们能完美地套在真实的场景上 。定好大小之后，AI 还要负责把 3D 模型修饰得更真实：
- 法线损失：如果只看点云，表面可能会坑坑洼洼。AI 会计算每个点对应的“表面方向”。它要求自己画出来的表面必须像镜面或墙面一样平滑自然，不要有奇怪的突起。
- 置信度图：AI 还会给自己打分。它会预测一张“置信度图”，告诉我们哪些地方它画得非常肯定，哪些地方它只是在瞎猜。如果它画的 3D 点和真实情况差得太远，这个点的得分就会很低。
π³并不死记硬背物体绝对有多大，而是学会了在不同视角间统一比例尺。再加上法线磨皮和置信度评分，它不仅能复原出一个立体的世界，还能确保这个世界表面平滑，并且对自己的错误‘心中有数’。
2.3 仿射不变的相机姿态
在以前的模型中，必须要定一个坐标原点（比如第一张照片的位置）。但在 π³ 中，因为大家都是平等的，所以没有绝对的原点。
通俗点说，这就像是在茫茫大海上导航，如果你找不到北极星（参考帧），你就没法说出自己的绝对经纬度。你只能说：“我在 A 船左边 10 米，面向 B 船”。
这种不依赖绝对位置、只看物体之间相对关系的特性，就是仿射不变性。
为了训练 AI 找准位置，研究团队不再告诉它“你在地图的哪个点”，而是教它计算两两照片之间的相对位置。
- 旋转：两张照片的角度转了多少？这个是固定的，比较好算。
- 平移：两张照片之间离了多远？这里又遇到了那个“比例尺”难题。
因此，为了让 AI 成为定位高手，论文设计了两个考核指标：
- 测地线角度损失：专门考核“旋转”准不准，要求 AI 预测的角度与实际角度的偏差越小越好。
- Huber 平移损失：专门考核“距离”准不准。使用 Huber 损失是为了让 AI 更有“包容性”，不要因为一两张拍坏的照片就影响整体定位。
π³ 的相机定位就像是一个不需要 GPS 的老司机。它不关心自己在地图上的绝对经纬度，而是通过观察每两张照片之间的“邻里关系”来锁定位置。
2.4 模型训练
研究人员给 AI 制定了一份多维度的评分标准，具体包括四个指标：
- 点重建损失：考察 3D 形状画得准不准。
- 法线损失：考察表面修得平不平滑。
- 置信度损失：考察 AI 有没有自知之明（知道哪画错了）。
- 相机姿态损失：考察相机位置是否正确。
并且使用15 个不同的大型数据库进行训练，包括游戏场景、室内扫描和互联网照片等行业顶尖的数据源。让π³具备了极强的适应力，无论是游戏画面还是手机实拍它都能轻松应对。
03 实验结果
3.1 相机姿态估计
在 RealEstate 10K 和 Co3Dv2 上进行测试角度准确性评估；在 Sintel、TUM-dynamics 和 ScanNet 上评估测试轨迹误差。在 Sintel 和 RealEstate 10K 的零样本泛化测试中， Sintel 数据集的相机轨迹误差 (ATE)从 VGGT 的 0.167 大幅降低至 0.074 ，RealEstate 10K 的旋转精度（RRA ）达到 99.99%。
3.2 点图估计
π³使用DTU、ETH3D 数据集评估模型重建多视图点云的质量，包括准确度、完整性和法线一致性。在 ETH3D 场景重建中，其准确度（Acc.）达到 0.194，优于 VGGT 的 0.280，完整度也表现出色。
3.3 深度估计
在视频深度估计方面，π³不仅在精度上实现了质的飞跃，在运行效率上更是展现出降维打击般的优势。在视频深度估计任务中，其绝对相对误差（Abs Rel）在 Sintel 数据集上从 VGGT 的 0.299 降低至 0.233，Bonn 数据集上从 0.057 降至 0.049，而在 KITTI 数据集上则从 0.062 优化到了 0.038。
04 总结
π³通过全排列等变设计彻底消除固定参考视图的归纳偏置，构建了鲁棒、高效、可扩展的前馈式视觉几何重建模型，在多项核心任务上刷新 SOTA。该研究存在局限性：无法处理透明物体，重建几何细节精度不及扩散类方法，点云生成易产生网格状伪影。未来可围绕透明物体建模优化、几何细节精度提升、点云生成伪影消除等方向展开拓展研究。
