本期深入分析CVPR 2026最佳论文 D4RT（Efficiently Reconstructing Dynamic Scenes One D4RT at a Time, Google DeepMind + Oxford）。核心范式：按需查询替代逐帧密集解码，一个编码器+一个解码器统一输出点云、深度图、点轨迹、相机内外参。200+ FPS位姿估计，18-300×追踪吞吐量提升，SOTA on TAPVid-3D、Sintel、ScanNet。

对DINO系列的批判与改进建议——Gram与Register缺乏系统消融、7B部署可行性问题、数据策展不可复现等。最后展望未来：更高效的数据策展、Gram Anchoring跨模态泛化、SSL与生成式预训练的融合。

DINOv3首次让SSL在全局分类上与弱监督平起平坐，同时密集任务大幅领先。本集深入解析全局vs密集的性能权衡、后处理工程化（高分辨率适应、多学生蒸馏、文本对齐），以及5个独特深度观点——Gram Anchoring与Registers的互补、延迟介入训练策略、patch size 16的设计哲学等。

从DINO（2021年）的自蒸馏框架开创性发现，到DINOv2（2023年）的LVD-142M规模化验证，再到DINOv3（2025年）的ViT-7B与Gram Anchoring突破。本集聚焦训练框架演进、数据策略飞跃、模型规模扩展与密集特征退化问题的发现与解决。

本期深入探讨牛津VGG组+Meta AI的两篇前馈3D重建重磅论文。从VGGT的Alternating-Attention架构和Camera Token设计，到VGGT-Ω的Register Attention效率突破、Scaling Law验证（10B参数+2M序列数据）、以及40M互联网视频→800K高质量标注的完整数据管线。VGGT-Ω在Sintel动态基准上实现77%提升，Register Token还跨界增强VLA模型和文本对齐。

本期深入探讨牛津VGG组+Meta AI的两篇前馈3D重建重磅论文。从VGGT的Alternating-Attention架构和Camera Token设计，到VGGT-Ω的Register Attention效率突破、Scaling Law验证（10B参数+2M序列数据）、以及40M互联网视频→800K高质量标注的完整数据管线。VGGT-Ω在Sintel动态基准上实现77%提升，Register Token还跨界增强VLA模型和文本对齐。

本期深入探讨Vision Transformer中的两个特殊token：CLS Token和Register Token。从BERT的[CLS]起源、ViT的信息瓶颈特性，到artifact token的意外发现、register token的设计方案，再到VGGT系列中的工程实践和Register Attention的创新。完整梳理了特殊token从理论研究到规模化应用的演化路径。

本期深入讨论 Good Token Hunting（arXiv: 2605.23892，多伦多大学/Google/TU Munich，2026年），一篇系统性研究VGT全局注意力token选择策略的论文。核心发现：通过帧间多样性选择+帧内层级感知剪枝的两阶段层次化方案，在500帧场景中加速超85%，甚至超越基线精度——发现了冗余token实际上在干扰模型决策。我们聊了五个帧间选择策略的横向对比、注意力熵的层级分析、训练无关与重训练方案的根本差异，以及这份研究对VGT家族（VGGT/π3/LiteVGGT/SparseVGGT）生态的影响。

ICML 2026 | 华科杨欣团队 & 酷睿程提出GemDepth，在视频深度估计中首次引入显式相机位姿嵌入作为几何先验，告别2D盲目平滑。GEM模块预测6-DoF位姿，ASTT模块交替做时序对齐与空间细化，仅0.58B参数碾压DA3和VGGT，Bonn点云F1从78.44跃升至90.43。

全面梳理3D视觉语言模型（3D-VLM）领域的22篇核心论文。涵盖基础架构（3D-LLM/PointLLM/MiniGPT-3D）、几何感知VLM（G²VLM/SpatialStack）、空间推理（Reasoning in Space/SeeGround）、场景理解（Chat-Scene++/DEER-3D）、驾驶场景（HERMES++）、幻觉与评测（3D-VCD/Hallucination Study）等六大子方向。从2023年开创性工作到2026年最新前沿，系统梳理技术演进。共22篇论文，6194行分析笔记。

全面梳理Feed-Forward 3D前馈重建领域21篇核心论文的技术脉络。涵盖：基础模型进化（VGGT-Omega/TurboVGGT）、流式与长上下文重建（tttLRM/ZipMap/STream3R）、前馈3DGS（RoSplat/SplatWeaver）、多视角跨源重建（Seeing Across Skies/Mind the Gap/Dark3R）、大规模SfM（SAIL-Recon/Fast3R）等七个子方向。从DUSt3R的范式转折到最新进展，系统梳理技术演进路线。

本期从稀疏查询范式的开创者DETR3D讲起，深入梳理了PETR的3D位置编码、BEVFormer的时空BEV、Sparse4D的稀疏时空融合，再到SOLOFusion的长时序理论、StreamPETR的流式检测、DySS的Mamba探索、SQS的3DGS预训练、OcRFDet的NeRF辅助，最后以DetAny4D的开放集端到端4D检测作为当前路线终点。完整覆盖2019-2026七年14篇关键论文的技术演进。

Google DeepMind + Oxford 提出 D4RT。按需查询范式替代逐帧密集解码，一个编码器+一个解码器统一输出点云、深度图、点轨迹、相机内外参。200+ FPS位姿估计，18-300×追踪吞吐量。SOTA on TAPVid-3D、Sintel、ScanNet。

从D4RT和PointForward两条技术线的交汇，看前馈重建的下一步：查询范式取代密集预测，稀疏查询取代逐像素解码，Q4R统一4D世界模型。

小米汽车+HUST+浙江大学提出的PointForward，用点对齐表示替代传统逐像素高斯预测，在3D世界空间建立稀疏查询点，通过时空融合实现多视图几何一致性，Waymo PSNR 28.48超越DGGT+1.1dB。