Expansion of the Dust3R structure with larger inputs

方法名称	核心策略	是否支持增量	效率表现	精度 & 全局一致性	发布时间
DUSt3R	两视图Transformer回归局部点云，需后续全局优化对齐	否	O(n²) 成对重建，效率低	精度高但误差累积，全局一致性依赖后处理优化	CVPR 2024
MASt3R	密集匹配改进，引入高效互惠匹配头	部分支持	匹配速度显著提升，多视图需结合SfM	匹配更鲁棒，结果仍为局部坐标系，需后处理融合	ECCV 2024
Spann3R	外部空间记忆模块，逐帧查询/写入更新全局点云	✅ 是	实时逐帧处理，线性扩展	精度近DUSt3R，输出直接在全局坐标系	3DV 2025
SLAM3R	滑动窗口+神经点云对齐，无需显式姿态估计	✅ 是	实时20+ FPS	局部精度高，全局一致性良好，长序列存在轻微漂移	CVPR 2025
MUSt3R	多视角对称结构 + 多层次记忆模块	✅ 是	支持上千图像输入，近实时	精度与一致性均为SOTA，天然输出公共坐标点云	CVPR 2025
Fast3R	全局多视图Transformer一次性处理所有输入图像	❌ 否	一次推理处理千图，等效重建251 FPS	精度高，全局一致性好，适合离线，无法增量	CVPR 2025
Light3R-SfM	视图图+Transformer对齐模块，替代传统SfM中的姿态优化	❌ 否	匹配数大幅减少，运行时间低	姿态估计与SfM相当，全局对齐由网络自学习	ArXiv 2025
MASt3R-SLAM	DUSt3R几何先验 + 回环图优化，兼具神经前端与传统后端优化	✅ 是	实时约15 FPS	精度高，全局一致性强，适合长序列	ArXiv 2025