[CVPR 2026] DAGE：双流架构突破 2K 高清视频几何重建瓶颈

TL;DR

在 3D 重建领域，我们一直面临“鱼和熊掌不可兼得”的困境：全局一致性（Global Coherence）通常意味着要牺牲图像分辨率，而高分辨率（High-Resolution）又往往导致多视角下深度跳变。DAGE 提出了一种双流 Transformer (Dual-Stream Transformer) 架构，通过解耦处理，在单台 GPU 上实现了高达 2K 分辨率、1000 帧长序列的细粒度几何估计与相机位姿预测。

1. 痛点：为什么 SOTA 模型也变“近视”了？

目前最前沿的 feed-forward 重建模型（如 VGGT 和 Pi3）核心依赖全局注意力机制（Global Attention）。虽然这种机制能感知整个场景的拓扑结构，但其计算成本随 Token 数量呈二次方增长。

• 结果：为了跑通模型，研究者不得不将输入图像压缩至 518px 甚至更低。
• 代价：物体的边缘变模糊了，细小的电线、树枝等结构消失不见，重建出的 3D 点云像被磨皮了一样。

与此同时，单图深度估计模型（如 DepthPro）虽然能出 2K 高清图，但在视频中会出现剧烈的抖动（Temporal Jitter），且无法提供统一的相机轨迹。

2. 核心直觉：全局与局部，各司其职

DAGE 的核心 Insight 是：确定相机位姿和全局比例不需要 2K 分辨率，而还原物体边缘则绝对需要。

为此，DAGE 设计了两个平行的流：

1. LR Stream（低分辨率流）：处理 252px 的极小图。由于 Token 少，它可以肆无忌惮地开全局注意力，负责把控大局（相机位姿、全局一致性）。
2. HR Stream（高分辨率流）：处理原始的 2K 大图。为了效率，它逐帧独立运行，通过强大的预训练 ViT 提取极致的边缘纹理。

架构详解

图 2: DAGE 架构概览。底部 LR 流负责“大局观”，顶部 HR 流负责“高清细节”。

这里的核心技术挑战在于：如何让两个分辨率差了 10 倍的流“对话”？ 作者设计了一个 Lightweight Adapter。它不仅仅是简单的上采样拼接，而是使用了基于 Cross-Attention 的融合机制，并引入了“像素校准”的 RoPE（旋转位置编码）。通过这种方式，LR 流中的 3D 一致性约束被精准地“注入”到了 HR 流的每一颗像素中。

3. 实验战绩：更快、更准、更清晰

3.1 速度的质变

由于将计算最重的全局注意力限制在低分辨率下，DAGE 在高分辨率下的效率优势极其夸张。

3.2 细节表现力

在可视化对比中，DAGE 展现出了压倒性的优势。特别是在薄结构（Thin Structures）的处理上，它捕捉到了前人工作中丢失的电线和细碎的植物边缘。

图 4: 视频深度可视化对比。红框部分显示 DAGE 重现了极其细微的边缘，而传统方法则一片模糊。

4. 深度洞察：为什么这能 Work？

DAGE 成功的关键在于其 位置编码对齐策略（Snapping Mechanism）。 在 Cross-Attention 时，HR Token 会自动寻找 LR 特征图上距离自己最近的格子进行对齐。这不仅解决了分辨率不匹配的问题，还避免了直接进行插值（Interpolation）带来的高频信息损失。

此外，作者使用了 知识蒸馏（Knowledge Distillation），让仅 252px 的低分流去学习来自 518px 强大模型的特征表示，弥补了分辨率降低带来的语义损失。

5. 总结与启示

DAGE 的出现，为 Metric-scale（米级尺度） 且 View-consistent（视角一致） 的 feed-forward 重建树立了新行业标杆。

• 核心贡献：首次在统一框架下平衡了计算效率、全局一致性与 2K 分辨率细节。
• 局限性：尽管对静态场景处理完美，但在处理极快速的非刚性运动（Non-rigid motion）时仍有挑战。
• 未来展望：这种双流设计很可能会成为 3D 视觉大模型的标准组件，特别是在自动驾驶和 AR/VR 等需要高精局部细节与大范围空间感知结合的场景中。