[CVPR 2025/2026] UniScale: 机器人感知的“尺子”，重定义度量级 3D 重建

TL;DR

在 3D 重建领域，从“长得像”到“尺寸对”是一道巨大的鸿沟。UniScale 通过引入专用的 Scale Head 和 语义感知先验注入机制，成功在统一的 Transformer 架构中实现了高精度的度量级（Metric）3D 重建。它无需从头训练，通过在预训练的 VGGT 模型上进行模块化增强，即可在处理机器人多视图序列时，输出具有真实物理含义的深度图和点云。

1. 痛点：为什么 SOTA 模型在机器人面前会“失准”？

近年来，以 DUSt3R 和 VGGT 为代表的 Foundation Models 极大地提升了 3D 重建的泛化能力。然而，这些模型大多在仿射空间（Affine-invariant）或尺度不变空间内运行。

• 尺度模糊性：模型知道桌子比椅子高，但不知道桌子到底是 75 厘米还是 1 米。
• 先验浪费：现代机器人通常自带精准的相机内参（Intrinsics）和 IMU/轮式里程计（Poses），但现有模型很难高效吸收这些“外挂”信息。如果强行将这些参数拼接到图像特征中，往往会引入噪声，甚至导致模型性能下降。

2. 核心架构：语义感知的“解耦注入”

UniScale 的架构基于“特征提取-全局聚合-多头预测”的范式。其最核心的 Insight 在于：几何先验不应该被一视同仁。

2.1 语义感知先验路由

作者巧妙地将先验信息按角色分流：

• 相机位姿（Pose）：通过 MLP 编码为 6D 表示，注入到 Camera Tokens。这直接辅助了相机外参的细化。
• 相机内参（Intrinsics）：转换成 Origin-free Ray Images，注入到 Patch Tokens。这为每个局部像素提供了几何约束。 这种设计避免了特征空间的干扰，确保了模型既能理解“图里有什么”，也能理解“相机在哪里”。

2.2 尺度头（Scale Head）的秘密

UniScale 并不直接在深度图上强加尺度约束，而是预测一个全局尺度因子 $S$。这个 Scale Head 同时吸收了：

1. Class Tokens：提供场景的宏观语义（如“室外公路”或“室内书房”），帮助推断物体可能的物理尺寸。
2. Camera Tokens：提供视场角（FoV）等几何线索。
3. Aggregated Patch Tokens：利用多视图间的视差（Parallax）信息进行三角测量级别的尺度确认。

3. 实验战绩：精度与稳定性的双重突破

在 Robust-MVD 榜单上，UniScale 的表现刷新了多项记录。

• 度量精度：在不提供任何先验的情况下，UniScale 在 ScanNet 数据集上的度量 AbsRel（平均相对误差）仅为 5.68%，远超 MAST3R 的 12.80%。
• 6D 表示的优势：实验证明，相比于常用的四元数（Quaternion），连续的 6D 旋转表示在高重叠度的多视图场景下稳定性更高，解决了梯度断裂问题。

在 Oxford Spires 等挑战性室外场景中，UniScale 输出的点云（图 4）在几何一致性和细节补全上明显优于当前最强的单体模型。

4. 深度洞察：为什么这篇论文对机器人领域至关重要？

以往的 3D 重建研究往往追求“视觉上的完美”，而 UniScale 追求的是“物理上的可用”。

1. 正则化作用：消融实验显示，即使在不需要绝对尺度的任务中，开启 Scale Head 预测也能提升深度图的质量。这说明学习物理尺寸有助于模型理解几何结构。
2. 模块化升级：UniScale 并不是一个“黑盒”模型，它的 Scale Head 和先验注入接口可以无缝集成到其他基于 Transformer 的重建框架中，具有极高的工业应用价值。

5. 总结与反思

UniScale 通过一种极简而优雅的方式，解决了多视图 3D 重建中长期存在的尺度缺失问题。

• 局限性：目前模型主要针对多视图序列，在单视图（Single-view）下的尺度恢复能力仍有待进一步验证。
• 展望：未来的方向可能是引入更多模态（如 LiDAR 稀疏点云作为先验）来进一步压低长距离场景下的尺度误差。

对于正在开发导航或环境建模算法的机器人工程师来说，UniScale 提供了一个不仅能“看懂”而且能“量准”的感知底座。