(CVPR 2025) 把 Bundle Adjustment 塞进扩散模型里：BADGR 如何在稀...

主要观点总结

该论文介绍了名为BADGR的深度学习模型，主要应用于宽基线场景下的平面图重建。BADGR模型将Bundle Adjustment（BA）和扩散模型在训练阶段深度融合，解决了以往在推理阶段使用BA作为外部优化器的问题。论文介绍了BADGR的创新点、整体架构、方法细节以及实验结果。

关键观点总结

关键观点1: 创新点

首次将Bundle Adjustment（BA）和扩散模型在训练阶段深度融合；提出‘Gradient-Conditioned Diffusion for BA’的新范式；在宽基线、极稀疏输入条件下仍能稳定重建全局平面图。

关键观点2: 模型架构与工作流程

BADGR是一个生成式优化框架，将平面Bundle Adjustment与条件扩散模型深度融合；模型接受粗初始化的相机位姿和平面图作为输入，通过Planar BA Layer执行单步LM优化，生成密集墙体与相机位移梯度信号；这些梯度经Column Geometry Encoder压缩后，作为条件输入送入Transformer-based扩散去噪器。

关键观点3: 核心组件与特点

Planar BA Layer是核心几何模块，输出墙平移和相机平移的密集、column-level信号；Column Geometry Encoder负责将墙平移和相机平移嵌入压缩；Diffusion Transformer Denoiser通过自注意力机制逐步去噪，并最小化重投影误差，利用结构先验对遮挡或缺失区域进行合理补全。

关键观点4: 实验结果与分析

论文通过多个实验表格和可视化结果展示了BADGR模型的有效性。引入BA梯度作为条件的BADGR在Layout Chamfer Distance、Camera Localization Error和Global Consistency Error等指标上表现最好；可视化结果证明了BADGR在结构完整性和几何一致性之间的平衡。