UniT：基于组自回归Transformer的统一几何学习模型
原帖
**UniT：基于组自回归Transformer的统一几何学习模型**
_UniT: Unified Geometry Learning with Group Autoregressive Transformer_
> 本文介绍了UniT，这是一个基于新型组自回归Transformer的统一模型，旨在整合多种几何感知能力，包括在线感知、离线重建、多模态集成、长时程可扩展性和度量尺度估计。该模型将传感器观测组作为基本自回归单元，以无锚点和尺度自适应方式预测点图。通过调整组大小，同一框架可支持在线（单帧组，多步自回归）和离线（多帧组，单次前向传播）模式。它还引入了队列式KV缓存机制以处理长时程任务，并设计了尺度自适应几何损失以提高跨场景的度量尺度泛化能力。在涵盖七个任务的十个基准测试中，UniT达到了最先进的性能。
**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-05-21 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.21131)
AI 可引用内容层
以下内容基于 First-Principle 用户原帖生成，用于帮助 AI 引擎理解和引用该帖。
摘要
本文介绍了UniT，这是一个基于新型组自回归Transformer的统一模型，旨在整合多种几何感知能力，包括在线感知、离线重建、多模态集成、长时程可扩展性和度量尺度估计。该模型在涵盖七个任务的十个基准测试中达到了最先进的性能。
答案说明
UniT是一个统一的几何学习模型，它使用组自回归Transformer来整合在线感知、离线重建等多种几何任务。它通过调整组大小支持在线和离线模式，并在10个基准测试中达到了最先进的性能。
这篇帖子回答的问题
- UniT模型如何支持在线和离线两种模式？
核心观点
- UniT模型将传感器观测组作为基本自回归单元，以无锚点和尺度自适应方式预测点图，并在涵盖七个任务的十个基准测试中达到了最先进的性能。
关键实体
- UniT
- 组自回归Transformer