引言
3D场景重建是计算机视觉领域的核心难题，传统方法往往依赖多阶段流程、海量计算资源，且仅能输出局部3D属性。而CVPR 2025最佳论文成果——VGGT（Visual Geometry Grounded Transformer）彻底改变了这一现状：这款由牛津大学VGG组与Meta AI联合研发的模型，能从单张/多张/数百张场景视图中，秒级直接推断相机内外参、深度图、3D点云等全维度3D属性，还支持商用部署与生态集成，成为3D重建领域的突破性成果。
项目核心介绍
VGGT是一款前馈神经网络，核心目标是从任意数量的场景视图中快速完成全维度3D属性推断，涵盖相机外参/内参、点映射、深度图、3D点跟踪等关键信息，且全流程仅需数秒。该项目斩获CVPR 2025最佳论文奖，团队后续持续迭代：7月更新商用许可（VGGT-1B-Commercial checkpoint支持商用，排除军事场景）、开放训练代码（支持自定义数据集微调）；6月新增COLMAP格式导出功能（可直接对接NeRF/高斯溅射库）；5月上线Co3D数据集相机姿态估计评估代码，全方位降低使用门槛。
创新点与核心优势
核心创新
- 架构创新：摒弃传统多阶段重建流程，通过Transformer架构直接端到端推断全量3D场景属性，无需中间步骤；
- 零样本能力：未针对单视图重建训练，却能实现比肩SOTA的单视图3D重建效果；
- 商用适配：发布商用友好版checkpoint，性能与原版持平（Co3D数据集AUC@30达90.37），审批流程类LLaMA自动审核。
核心优势
- 极致高效：H100 GPU上1帧仅需0.04秒，100帧也仅需3.12秒，显存占用可控（1帧仅1.88GB）；
- 生态兼容：导出的COLMAP格式文件可直接对接gsplat等高斯溅射/NeRF库；
- 易用性强：支持自定义掩码排除反光/天空等干扰区域，无需精准分割，简单框选即可。
技术实现与部署实操
环境部署
首先克隆仓库并安装依赖：
gitclone git@github.com:facebookresearch/vggt.gitcdvggt pipinstall-r requirements.txt核心推理代码
仅需几行代码即可完成3D属性推断：
importtorchfromvggt.models.vggtimportVGGTfromvggt.utils.load_fnimportload_and_preprocess_images device="cuda"iftorch.cuda.is_available()else"cpu"dtype=torch.bfloat16iftorch.cuda.get_device_capability()[0]>=8elsetorch.float16# 初始化模型并加载预训练权重model=VGGT.from_pretrained("facebook/VGGT-1B").to(device)# 加载并预处理图像（替换为自定义路径）image_names=["path/to/imageA.png","path/to/imageB.png"]images=load_and_preprocess_images(image_names).to(device)# 推理获取3D属性withtorch.no_grad():withtorch.cuda.amp.autocast(dtype=dtype):predictions=model(images)# 包含相机参数、深度图、点云等实用功能部署
- 导出COLMAP格式（支持光束平差法）：
# 基础导出python demo_colmap.py --scene_dir=/YOUR/SCENE_DIR/# 带光束平差法（更快版本）python demo_colmap.py --scene_dir=/YOUR/SCENE_DIR/ --use_ba --max_query_pts=2048--query_frame_num=5- 交互式3D可视化：
pipinstall-r requirements_demo.txt# Gradio网页可视化python demo_gradio.py# Viser 3D点云可视化python demo_viser.py --image_folder path/to/your/images/folder该项目及相关内容已 AladdinEdu课题广场同步发布，欢迎前往了解更多技术实现与资源
项目地址：AladdinEdu课题广场
