它问的问题

能否不跑增量式 SfM，用一次前向就同时给出相机位姿、深度与点云？

他们怎么做的

把多视图几何压进一个 Transformer，直接回归相机参数、深度图与跟踪特征。

证据

在多个重建基准上接近或超过需要迭代优化的传统流程，速度快几个量级。

别信太多

“快”不等于“可追溯”：位姿没有平差残差，出错时很难定位是哪一帧。巡检报告需要可审计的中间量。

适用边界

2025 年新工作，独立复现与工业场景验证仍少；尺度与绝对精度依赖输入假设；失败模式尚在整理。

课堂任务

同一组航拍图分别跑 COLMAP 与 VGGT，比较注册成功率、重投影误差与耗时，列出各自的失败样本。