تُعتبر عملية إعادة البناء ثلاثي الأبعاد وتحديد مواقع الروبوتات من أبرز التحديات التي يواجهها علماء الحاسوب، والذين يتعين عليهم مواجهة مفهوم 'التداخل البصري' (co-visibility) أو قدرة الصور على مشاركة أسطح مرئية متداخلة. في هذا الإطار، قدمت VGGT نموذجًا متقدمًا يُظهر كيف يمكن لهذا المفهوم أن يُدار بفعالية وبذكاء.

يُظهر استكشافنا أن VGGT يُخزن التداخل البصري كتصرف ناشئ، حيث لا يحتاج إلى أي إشراف مخصص لهذه المهمة. وتكشف التمثيلات الداخلية للأنموذج عن بنية هرمية واضحة تعكس أنماط الأنظمة اللغوية الكبيرة (Large Language Models)، حيث تعمل الطبقات المبكرة على بناء تمثيل للمشاهد ثلاثية الأبعاد، بينما تُخصص الطبقات اللاحقة لمعالجة التداخل البصري.

التأكيد على هذا التخصص موجود في الطبقة L17، التي تعمل كرابط سلبي يوجه الصور غير المتداخلة بطريقة صارمة، مما يوفر دليلاً هاما على تخصص الطبقات في نماذج الأساس الهندسية.

انطلاقاً من هذه الاكتشافات، تم تقديم Co-VGGT، والذي يُثبّت نموذج VGGT الأصلي ويقوم بتدريب طبقة خفيفة مُكونة من عدد قليل من الخبراء (أقل من 7.5 مليون معلمة). تُصنف هذه الطريقة التداخل البصري بناءً على معلومات RGB فقط، حيث يتم التعامل مع كل طبقة كخبير متخصص يتم وزن تجريده الهندسي adaptively بناءً على كل زوج مدخلات.

بفضل Co-VGGT، تحقق نموذجان من التحسين الكمّي، مع تجاوز معدل الدقة في التنبؤ بالتداخل البصري بنسبة تفوق 25% بالمقارنة مع الأنماط السابقة. كما أن جودة قرائن التنبؤ مزدوجة الاتجاه جيدة (ECE=0.030)، مما يمكّن استخدامها مباشرة كأوزان حواف في الرسوم البيانية لرؤية المشاهد في مراحل بناء الأشكال والروبوتات دون الحاجة لتصحيحات لاحقة.

المزيد من المعلومات الكاملة والكود متوفرة للمتخصصين الراغبين في استكشاف هذه التقنيات الجديدة.