【新智元導(dǎo)讀】谷歌 DeepMind 發(fā)布 D4RT，徹底顛覆了動(dòng)態(tài) 4D 重建范式。它拋棄了復(fù)雜的傳統(tǒng)流水線，用一個(gè)統(tǒng)一的「時(shí)空查詢」接口，同時(shí)搞定全像素追蹤、深度估計(jì)與相機(jī)位姿。不僅精度屠榜，速度更比現(xiàn)有 SOTA 快出 300 倍。這是具身智能與自動(dòng)駕駛以及 AR 的新基石，AI 終于能像人類一樣，實(shí)時(shí)看懂這個(gè)流動(dòng)的世界。
如果是幾年前，你問一位計(jì)算機(jī)視覺工程師：「我想把這段視頻里的所有東西——無論它是靜止的房子還是奔跑的狗——都在 3D 世界里重建出來，并且還能隨時(shí)知道它們下一秒會(huì)去哪兒，需要多久？」
他大概會(huì)遞給你一根煙，讓你先去買幾塊頂級(jí)顯卡，然后給你畫一個(gè)由四五個(gè)不同模型拼湊起來的流程圖：先算光流，再算深度，再估相機(jī)位姿，最后還得用一晚上的時(shí)間去跑優(yōu)化，祈禱結(jié)果別崩。
但谷歌 DeepMind 剛剛發(fā)布的 D4RT（Dynamic 4D Reconstruction and Tracking），試圖終結(jié)這種混亂。
這篇論文在計(jì)算機(jī)視覺領(lǐng)域扔下了一枚關(guān)于「效率革命」的重磅炸彈。
它把原本割裂的 3D 重建、相機(jī)追蹤、動(dòng)態(tài)物體捕捉，統(tǒng)一成了一個(gè)極簡(jiǎn)的「查詢」動(dòng)作。
更重要的是，它的速度比現(xiàn)有 SOTA技術(shù)快了 18 到 300 倍。
如果在你的認(rèn)知里，高質(zhì)量的 4D 重建還是好萊塢特效工作室里那些昂貴且緩慢的渲染農(nóng)場(chǎng)，耗費(fèi)漫長(zhǎng)的時(shí)間等待生成完畢，那么 D4RT 正在把這種能力變成一種可以塞進(jìn)機(jī)器人大腦甚至 AR 眼鏡里的實(shí)時(shí)直覺。
Demo 演示
為了理解 D4RT 到底做到了什么，我們需要先看一眼它眼中的世界。
在論文展示的演示中，最直觀的震撼來自于對(duì)「動(dòng)態(tài)混亂」的駕馭能力。
想象一下這個(gè)畫面：一只天鵝在水面上劃過，或者一朵花在風(fēng)中快速綻放。
傳統(tǒng)的 3D 重建算法（比如 MegaSaM 或 ）處理這種場(chǎng)景通常是一場(chǎng)災(zāi)難——因?yàn)樗鼈兗僭O(shè)世界是靜止的，所以它們往往會(huì)在 3D 空間里留下一串「重影」，就像老式膠片重疊曝光一樣，天鵝變成了長(zhǎng)著幾十個(gè)脖子的怪物，或者花朵直接變成了一團(tuán)無法辨認(rèn)的噪點(diǎn)。
但 D4RT 給出的結(jié)果極其干凈。
它不僅可以精準(zhǔn)還原天鵝的 3D 形態(tài)，還完美剝離了相機(jī)的運(yùn)動(dòng)和天鵝自身的運(yùn)動(dòng)。
在它的視野里，時(shí)間變成了一個(gè)可以隨意拖動(dòng)的滑塊。
更令人印象深刻的是它的全像素追蹤能力。
你可以點(diǎn)擊視頻中花瓣上的任意一個(gè)像素，D4RT 就能畫出這個(gè)點(diǎn)在過去和未來的完整 3D 軌跡，哪怕這個(gè)點(diǎn)在中間幾幀被蜜蜂遮擋了，或者跑到了畫面之外，模型依然能根據(jù)上下文「腦補(bǔ)」出它的去向。
這種視覺效果給人的感覺是：AI 不再是在一幀幀地「看」視頻，而是把整段視頻吞下去，鳳凰彩票在大腦里生成了一個(gè)完整的、流動(dòng)的全息全景圖，然后你可以隨意從任何角度、任何時(shí)間去檢視它。
模型能力對(duì)比圖
拆解「神話」
是真的快，還是文字游戲？
科技公司發(fā)論文，數(shù)據(jù)通常都很漂亮。
作為觀察者，我們需要?jiǎng)冸x PR 濾鏡，看看數(shù)據(jù)背后的定語。
谷歌聲稱 D4RT 比之前的 SOTA 快了 300 倍，處理一分鐘的視頻只需要 5 秒鐘。
這是真的嗎？
答案是：在特定維度上，是真的。
這里的「300 倍」指的是吞吐量，具體來說是「在保持相同幀率（FPS）的前提下，模型能同時(shí)追蹤多少條 3D 軌跡」。
數(shù)據(jù)對(duì)比：在 24 FPS 的標(biāo)準(zhǔn)電影幀率下，之前的強(qiáng)者 SpatialTrackerV2 只能同時(shí)追蹤 84條軌跡，再多就卡了；而 D4RT 可以輕松處理 1570條。如果是和 DELTA 這種更慢的模型比，那就是 314 倍的差距。
實(shí)際意義：這意味著之前的技術(shù)可能只能盯著畫面里的主角（比如一個(gè)人），而 D4RT 可以同時(shí)盯著背景里走動(dòng)的路人、飄落的樹葉和遠(yuǎn)處的車流——即所謂的「全像素級(jí)感知」。
它比同類技術(shù)強(qiáng)在哪兒？
目前市面上的 4D 重建技術(shù)主要分兩派：
「拼裝派」（如 MegaSaM）：把深度估計(jì)、光流、分割等多個(gè)現(xiàn)成模型串起來。雖然效果不錯(cuò)，但不僅慢，而且一旦一個(gè)環(huán)節(jié)出錯(cuò)（比如光流飄了），后面全完。
「多頭派」（如 VGGT）：雖然是一個(gè)大模型，金沙電玩但為了輸出不同的任務(wù)（深度、位姿、點(diǎn)云），需要掛載不同的解碼頭，結(jié)構(gòu)臃腫。
D4RT 的牛，在于它做到了架構(gòu)層面的統(tǒng)一。
它不需要為深度單獨(dú)做一個(gè)解碼器，也不需要為位姿單獨(dú)做一個(gè)。
它只用同一個(gè)接口解決所有問題。
有沒有代價(jià)？當(dāng)然有。
D4RT 的「快」主要體現(xiàn)在推理階段。
在訓(xùn)練階段，它依然是一個(gè)龐然大物。它的編碼器使用了 ViT-g，擁有 10 億參數(shù)，并且需要在 64 個(gè) TPU 芯片上訓(xùn)練兩天。
這絕不是普通開發(fā)者在自家車庫里能復(fù)現(xiàn)的玩具，它是典型的「大廠重武器」。
技術(shù)解碼
把 4D 重建變成「搜索引擎」
那么，D4RT 到底是怎么做到的？
論文的核心邏輯可以用一句話概括：先全局「閱讀」視頻，再按需「搜索」答案。
不再逐幀解碼，而是「全局記憶」
傳統(tǒng)的視頻處理往往是線性的，處理第 10 幀時(shí)可能已經(jīng)「忘」了第 1 幀的細(xì)節(jié)。
D4RT 的第一步是使用一個(gè)巨大的 Transformer 編碼器（Encoder），把整段視頻壓縮成一個(gè)全局場(chǎng)景表征（Global Scene Representation， F）。
你可以把這個(gè) F 想象成 AI 對(duì)這段視頻形成的「長(zhǎng)期記憶」。
{jz:field.toptypename/}一旦這個(gè)記憶生成了，原本龐大的視頻數(shù)據(jù)就被濃縮在了這里。
「哪里不會(huì)點(diǎn)哪里」的查詢機(jī)制
這是 D4RT 最天才的設(shè)計(jì)。它發(fā)明了一種通用的查詢（Query）語言。
當(dāng) AI 想要知道某個(gè)像素的信息時(shí)，它會(huì)向解碼器（Decoder）發(fā)送一個(gè)查詢 q：
這個(gè)公式翻譯成人話就是：
「請(qǐng)告訴我：在 這一幀圖像上坐標(biāo)為 的那個(gè)點(diǎn)，它在 這個(gè)時(shí)間時(shí)刻，如果從 這個(gè)相機(jī)的視角看過去，它的 3D 坐標(biāo)在哪里？」
如果你想生成深度圖：就問「現(xiàn)在這個(gè)點(diǎn)在現(xiàn)在的相機(jī)里多遠(yuǎn)？」（讓 ）。
如果你想做軌跡追蹤：就問「這個(gè)點(diǎn)在第 1 幀、第 2 幀 …… 第 N 幀都在哪？」（固定 ，改變 ）。
如果你想重建點(diǎn)云：就問「視頻里所有點(diǎn)在同一時(shí)刻的世界坐標(biāo)在哪？」（把所有點(diǎn)都映射到同一個(gè) ）。
并行計(jì)算的藝術(shù)
因?yàn)槊恳粋€(gè)查詢（Query）都是獨(dú)立的，D4RT 不需要像穿針引線一樣按順序計(jì)算。
它可以一次性扔出幾萬個(gè)問題，利用 GPU/TPU 的并行能力同時(shí)算出答案。
這就是為什么它能比別人快 300 倍的根本原因：它把一個(gè)復(fù)雜的串行幾何問題，變成了一個(gè)大規(guī)模并行的搜索問題。
關(guān)鍵的「作弊」技巧：9x9 Patch
論文作者還發(fā)現(xiàn)了一個(gè)有趣的細(xì)節(jié)：如果只告訴解碼器坐標(biāo)點(diǎn)，AI 有時(shí)候會(huì)「臉盲」，分不清紋理相似的區(qū)域。
于是，他們?cè)诓樵儠r(shí)順便把那個(gè)像素點(diǎn)周圍 9x9的小方塊圖像（RGB Patch）也喂給了模型。
這就像是你讓人在人群中找人，光給個(gè)坐標(biāo)不行，還得給他一張那個(gè)人臉部的特寫照片。
消融實(shí)驗(yàn)證明，這個(gè)小小的設(shè)計(jì)極大地提升了重建的銳度和細(xì)節(jié)。
產(chǎn)業(yè)影響
谷歌的野心與具身智能的眼睛
D4RT 的出現(xiàn)，對(duì)谷歌現(xiàn)有的業(yè)務(wù)版圖和未來的 AI 戰(zhàn)略有著極強(qiáng)的互補(bǔ)性。
具身智能與自動(dòng)駕駛的最后一塊拼圖
現(xiàn)在的機(jī)器人之所以笨，很大程度上是因?yàn)樗鼈儭缚床欢箘?dòng)態(tài)環(huán)境。
一個(gè)掃地機(jī)器人能避開沙發(fā)，但很難預(yù)判一只正在跑過來的貓。
D4RT 提供的實(shí)時(shí)、密集、動(dòng)態(tài)的 4D 感知，正是機(jī)器人急需的技能。
它能讓機(jī)器人理解：那個(gè)東西不僅現(xiàn)在在那里，而且下一秒它會(huì)出現(xiàn)在我左邊。
對(duì)于自動(dòng)駕駛而言，這種對(duì)動(dòng)態(tài)物體（如行人、車輛）的像素級(jí)軌跡預(yù)測(cè)，是提升安全性的關(guān)鍵。
增強(qiáng)現(xiàn)實(shí)（AR）的基石
谷歌一直在 AR 領(lǐng)域?qū)ふ彝黄瓶冢◤漠?dāng)年的谷歌眼鏡，到現(xiàn)在的 Project Astra）。
要在眼鏡端實(shí)現(xiàn)逼真的 AR，必須要有極低延遲的場(chǎng)景理解。
D4RT 展示的高效推理能力（尤其是在移動(dòng)端芯片上的潛力），讓「實(shí)時(shí)把虛擬怪獸藏在真實(shí)沙發(fā)后面」變得在工程上可行。
對(duì)普通人的影響
視頻編輯的「魔法化」
對(duì)于普通用戶，這項(xiàng)技術(shù)最快落地的場(chǎng)景可能是手機(jī)相冊(cè)和視頻編輯軟件。
想象一下，你拍了一段孩子踢球的視頻。
有了 D4RT，你可以像在《黑客帝國》里一樣，在視頻播放過程中隨意旋轉(zhuǎn)視角（盡管你拍攝時(shí)并沒有移動(dòng)），或者輕易地把路人從復(fù)雜的背景中「摳」掉，甚至改變視頻中光源的方向。
這是 D4RT 這種 4D 重建技術(shù)成熟后的應(yīng)用之一。
結(jié)語
D4RT 讓我們看到了一種新的可能性：AI 對(duì)世界的理解，正在從二維的「圖像識(shí)別」跨越到四維的「時(shí)空洞察」。
它告訴我們，要看清這個(gè)流動(dòng)的世界，關(guān)鍵不在于每一幀都看得多仔細(xì)，而在于如何建立一個(gè)能夠隨時(shí)回應(yīng)疑問的全局記憶。
在 AI的眼中，過去并沒有消逝，未來也不再不可捉摸，它們只是同一個(gè)四維坐標(biāo)系里，等待被查詢的兩個(gè)不同參數(shù)而已。
備案號(hào):