结论：洛桑联邦理工学院CVLab新预印本把已知相机条件下的多视图立体匹配改为序列到序列任务

洛桑联邦理工学院CVLab团队公开的预印本《Revisiting Multi-View Stereo: A Sequence-to-Sequence Formulation》提出序列到序列多视图立体匹配方法S2S-MVS。作者结论是：在已知相机参数条件下，该方法通过光线图嵌入与统一全局代价体，同时预测所有输入视图的深度图与点图，并在多个公开基准上超越现有MVS与前馈重建基线。本文为预印本解读，结论限于作者实验范围，尚未经同行评审与独立复现。时效说明：arXiv记录该版本提交时间为2026年9月21日16时28分26秒UTC，对应北京时间2026年9月22日00时28分，属于本次运行的当日窗口。

研究对象与方法条件

研究对象为已知相机内外参的多视图图像三维几何重建。作者假设相机参数可由运动恢复结构或标定事先获得，模型输入为多张RGB图像及其内外参，输出为每张视图的全分辨率深度图、点图及逐像素不确定性图。方法基于全局Transformer架构，交替使用帧内自注意与跨视图全局自注意，并采用循环注意力降低参数量。图像特征编码沿用为相对单目深度预训练的ViT-Base编码器。两项相机诱导先验为：一是将内外参转为逐像素光线图并分块嵌入，与图像块标记拼接后经多层感知机融合，使Transformer具备相机感知能力；二是将传统逐参考视图构建的代价体改为统一全局代价体，在同一表示中捕捉跨视图三维结构。训练以回归损失为主，并用不确定性图加权。以上方法描述来自当日论文原文，编辑未补充外部背景。

评估范围与作者报告的主要结果

作者称在多个公开多视图重建基准上进行对比，覆盖传统MVS方法与近期序列到序列前馈模型。论文摘要与引言的作者结论为：该方法在已知相机条件下取得优于两类基线的重建精度，几何失真更小，多视图一致性更好。具体数据集划分、指标数值与显著性检验细节在本次可抓取的当日页面中未完整展示，正文仅陈述达到最优的定性结论，编辑未将其放大为具体数值领先幅度。相关比较仍限于作者选择的公开基准与实现配置，不构成对所有场景的普遍保证。

研究状态、限制与潜在意义

状态为arXiv预印本，学科分类为cs.CV，未标注期刊或会议接收信息，应按未经同行评审处理。限制包括：依赖准确已知相机，若相机估计存在误差则效果未经充分说明；结论依赖作者受控实验，缺乏独立复现；全局注意力与全局代价体的计算开销、视图数扩展性，以及大基线、无纹理与反射等困难区域的表现边界尚不明确。潜在意义在于为已知相机重建提供连接传统MVS与前馈模型的中间路线：既保留代价体带来的几何正则，又获得序列到序列联合预测的效率与一致性。若后续公开代码、完整评测与独立验证，则可进一步判断其在影视、机器人与空间计算等需已知相机重建任务中的实用价值。

作者结论为论文自述，机构宣传与独立验证的区分：本文所述最优结果均为作者自述，未见独立第三方验证；编辑解释仅限于方法归类与适用条件，不做疗效或商业推荐。