ReVar3R：前馈 3D 重建的坐标规范感知不确定性

即使冻结的 3D 模型处理等效输入，正确重建的远点也显得不确定，因为其输出框架会发生小数旋转。这暴露了无训练扰动不确定性的弱点：当输出包含未观察到的对称性时，运行之间的变化可能反映对称性而不是误差。现有的替代方案需要权衡取舍：在大多数评估条件下，内置信心的表现都优于其他方案，而训练有素的证据负责人则需要特定于模型的监督。对于点图，本研究得出了一个封闭形式的、与误差无关的方差项，该方差项随着场景范围而增长，并可能压倒所需的信号。模拟再现效果；测试的所有 30 个真实 VGGT 视图集均显示其预测的 $\|x_p\|^2$ 签名。 ReVar3R 在计算每点方差之前将预测稳健地注册到公共相似性框架，而无需重新训练或修改冻结模型。可选的校准和融合使用 保留测试 分裂。在六个数据集上的 VGGT、π3 和 MASt3R 中，每个 骨干模型 上的相同估计器在 18 个条件中的 15 个条件下将 AUSE 降低到内置置信度以下。分阶段评估得出，无标记核心的 18 胜中的 11 胜，无标记等权重融合的胜率是 12/18，保留测试 权重的胜率是 14/18，而包含内置信号时的胜率是 15/18。与训练有素的证据头相比，结果是一种权衡：头更好地校准幅度并在其训练域中领先，而 ReVar3R 在 骨干模型 上传输而无需适应。它的排名改进了点过滤，但它不能检测稳定的系统偏差、帮助新观点合成或跨域转移校准。