SLAM-Former: Putting SLAM into One Transformer

会议: ECCV2026
论文: ECCV 原文
领域: 几何匹配与定位
关键词: 单目稠密 SLAM、全局一致性、前后端协作、KV 缓存、token 剪枝

一句话总结

SLAM-Former 用共享权重的 Transformer 交替执行因果增量建图与全局地图校正，并将校正后的 KV 缓存反馈给前端，在无需相机标定的设置下达到 TUM RGB-D 平均 ATE 0.039 m 和 7-Scenes 重建 Chamfer 0.027 m。

研究背景与动机

单目稠密同时定位与建图（SLAM）不仅要估计相机走到哪里，还要让不同时间看到的墙壁、桌面等表面落在一致的三维位置。 DUSt3R、MASt3R 和 VGGT 等几何基础模型提高了从图像直接预测几何的能力，但把局部预测拼成长期地图仍不容易。 MASt3R-SLAM 和 VGGT-SLAM 通过图像对或子地图建立几何，再用外部优化连接这些局部结果；局部预测的形变、尺度差异和跨帧不一致仍可能留下重复表面。

另一条路线是让模型按时间顺序接收图像，通过循环状态或 KV 缓存保存历史。 StreamVGGT 等方法避免每来一帧就重算全部输入，却通常不重新估计过去已经生成的地图。 当早期几何有偏差时，后续帧一直依赖带偏差的历史状态，因而“能够持续输出”并不等于“能在获得新证据后纠正过去”。 传统 SLAM 的后端恰好承担这一职责，但作者希望把它纳入同一个可学习模型，而不是继续叠加独立回环检测与图优化模块。

SLAM-Former 因此保留前端和后端的职能划分，却让两者共享 Transformer 权重，以地图 token 和注意力缓存作为交接内容。 前端给后端提供带有顺序信息的几何初值，后端则修正历史表示，并改变前端下一步所依赖的记忆。 核心 idea：不仅更新地图的输出，还把全局校正写回前端的 KV 缓存，让后续增量预测从已经纠偏的历史继续出发。

方法详解

整体框架

输入是连续单目 RGB 图像，输出是各关键帧的局部点图、置信度和相机位姿，并由这些结果组成稠密地图。 图像先编码成 patch token，附加 register token；共享骨干交替聚合帧内信息与跨帧信息，任务头再解码几何和位姿。 “一个 Transformer”指前后端共享同一模型，并不是每帧只调用一次网络，也不是取消关键帧选择和周期调度。

系统先进行因果前端增量建图，再周期性执行全局后端缓存反馈；KV 多样性剪枝减少后端注意力和随后前端缓存访问的负担。 训练时用三种注意力模式匹配这些运行状态，监督信号不作为推理输入。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["连续 RGB 图像<br/>图像编码"] --> B["因果前端增量建图"]
    B -->|每 10 个关键帧的地图 token| C["全局后端缓存反馈"]
    C --> D["KV 多样性剪枝"]
    D -->|刷新历史 KV| B
    B --> E["任务头解码<br/>局部点图与位姿"]
    D --> E
    S["训练监督<br/>深度、点图、相机"] -.-> B
    S -.-> C

图中的剪枝发生在后端注意力计算中，并把相应 KV 留给后续前端；箭头是协作与缓存流，不表示先完成全部后端计算再开始剪枝。 完整 KV 是默认评测设置，启用剪枝不会删除需要输出几何的查询位置。

关键设计

1. 因果前端增量建图

每来一帧，系统先把它与最近的关键帧成对输入同一 Transformer，用全注意力预测位姿，再根据相对运动决定是否保留。 实际实现采用平移阈值 0.1；这一步不读取全部历史 KV，因此不必为大量相邻、冗余的图像付出完整建图成本。 前两个关键帧联合初始化；此后每个新关键帧读取历史关键帧的跨帧注意力 KV，产生自己的地图 token 和新 KV，再追加到状态中。 它只依赖已经看到的帧，所以满足在线处理的因果性；代价是过去的错误不会仅靠这个步骤被重新修正。

地图 token 与 KV 缓存不能混为一谈：前者是骨干输出的隐式几何表示，可以送入任务头解码，也可以交给后端继续处理；后者是各层注意力的键和值，用于让新帧复用历史信息。 前端不需要在每步重新编码并运行全部旧图像，因而比反复执行全序列模型更适合流式输入。 模型预测每帧自身坐标系中的局部点图，而不是直接要求每个点都处于固定世界坐标系；跨帧一致性由位姿、后端交互以及训练中的几何约束共同建立。

2. 全局后端缓存反馈

每积累 10 个关键帧，后端把已有地图 token 作为输入，通过全注意力让历史帧之间进行双向交互，并在一次前向传播中重新估计地图表示。 与仅对新帧做因果注意力不同，旧帧此时能够利用后来出现的视角；作者借此承担传统回环检测和全局优化的功能，而不显式求解位姿图。 这是一种学习到的全局校正机制，不等于证明注意力必然找对回环或满足所有几何约束。

更关键的是，后端产生的 KV 会替换前端保存的对应历史 KV。 如果只刷新输出点云却继续沿用旧缓存，新帧依然会参考错误的历史；缓存反馈把纠偏真正接入后续推理。 反过来，后端接收的不是互不相关的原始图像，而是前端按顺序形成的地图 token，里面已经包含增量定位和建图的上下文。 为使同一套权重既能处理图像 token 又能处理地图 token，训练专门覆盖纯前端、前后端混合与纯后端三种状态，而非只在测试时临时拼接两种注意力。

3. KV 多样性剪枝

关键帧不断增加会同时放大缓存容量和跨帧注意力成本，但不能简单删除 patch token：对应的稠密几何输出也可能随之消失。 作者借鉴 DivPrune，在每个关键帧的非 register patch token 中，以余弦距离衡量差异，贪心挑选能够保持较大最小两两距离的子集。 它追求的是保留不同内容的代表，而不是把有限预算都给相似区域；两两距离预计算对每帧 patch 数的复杂度是平方级。

保留集合确定后，只裁剪键和值，查询保持完整，原文可清楚辨认的关系是：

\[ K'=K[S^*],\qquad V'=V[S^*],\qquad Q'=Q. \]

因此每个原有查询位置仍能汇聚保留的上下文并输出几何，减少的是“可被检索的记忆”，而非“需要预测的地图位置”。 若关键帧数为 \(n\)、固定保留比例为 \(\gamma\)，论文将主导注意力成本表述为前端 \(O(\gamma n)\)、后端 \(O(\gamma n^2)\)；这减少常数，但没有把固定比例后端变成线性算法。 让缓存池随序列按对数或平方根增长时，后端对应 \(O(n\log n)\) 或 \(O(n^{1.5})\)；这些是注意力规模分析，不能直接当作整个系统的实测加速倍数。

一个完整示例

设相机在房间里移动，稍后再次看到先前拍过的墙面；这是机制示例，不是论文新增的实验序列。 开始时，前两个关键帧建立地图 token 和 KV；第 3 个关键帧到来后，先通过帧对位姿检查，再利用已有 KV 生成新的局部点图和位姿。 到第 10 个关键帧触发后端时，所有已积累的地图 token 共同参与校正，早先墙面的位置可以受新视角影响。

若采用 25% KV 保留比例，每帧仍保留全部查询，但只保留选中的四分之一 patch KV 来参与相应注意力。 后端刷新前端历史缓存后，第 11 个关键帧依赖的是校正后的历史，而不是最初的漂移状态。 这一流程说明它与“视频结束后再优化一次”的区别：后端的收益会进入下一轮在线预测。

损失函数 / 训练策略

每次训练迭代顺序执行三种模式并共享权重：Mode 1 用因果注意力模拟前端累计 KV；Mode 2 对历史地图 token 用全注意力、对新图像用因果注意力，模拟后端 KV 与前端新 KV 混用；Mode 3 对地图 token 使用全注意力，训练纯后端校正。 Mode 3 的地图 token 可以来自不同运行或缓存状态，让后端学习处理带有不同误差的前端表示。 Mode 2 尤其重要，因为“校正过的历史加上尚未校正的新帧”正是周期式后端运行间隙的真实状态。

各模式都监督深度、点图和相机，清楚可读的总目标为：

\[ L=L_{\mathrm{depth}}+L_{\mathrm{pmap}}+\lambda L_{\mathrm{cam}},\qquad L_{\mathrm{all}}=L_1+L_2+\beta L_3. \]

深度取自局部点图的深度分量；深度与点图监督包含置信度加权和空间梯度约束。 点图监督先利用预测位姿把局部点图对齐到第一帧；相机监督使用尺度处理后的相对位姿与 Huber 损失，尺度估计沿用 Pi3 的做法。 缓存中的式 (4) 至式 (6) 存在运算符缺失，故这里不重建其精确细项公式，也不猜测置信度项的符号和系数。

模型以 Pi3 权重初始化，共有 36 层帧内及全局注意力 Transformer，冻结图像编码器和相机头。 训练 10 个 epoch，batch size 为 32，每个 batch 只含 12 帧；测试则处理更长序列。 采用 AdamW，学习率 \(10^{-5}\) 与余弦调度，设置 \(\lambda=100\)、\(\beta=10\)，后端间隔 \(T=10\)。 训练数据包括 ARKitScenes、ScanNet、ScanNet++、HyperSim、BlendedMVS、MegaDepth 和 MVS-Synth；32 张 A100 上训练耗时 11 小时，评测使用单张 RTX 4090。

实验关键数据

主实验

ATE 是绝对轨迹误差，这里报告其 RMSE；Acc. 衡量预测表面到真实表面的距离，Complet. 衡量真实表面被重建覆盖的距离，Chamfer 汇总双向距离，以下均越低越好。 表中只比较无需标定的方法，数值单位均为 m；主实验默认保留全部 KV。

数据集与指标	SLAM-Former	对比方法	对比值	原文来源
TUM RGB-D 平均 ATE	0.039	ViSTA-SLAM	0.052	表 1
TUM RGB-D 平均 ATE	0.039	VGGT-SLAM	0.053	表 1
7-Scenes 平均 ATE	0.042	MASt3R-SLAM	0.066	表 2
Replica 平均 ATE	0.030	EC3R-SLAM	0.041	表 3
7-Scenes Acc.	0.017	EC3R-SLAM	0.025	表 4
7-Scenes Complet.	0.037	EC3R-SLAM	0.054	表 4
7-Scenes Chamfer	0.027	EC3R-SLAM	0.040	表 4

7-Scenes Acc. 从 0.025 降至 0.017，对比值作分母时相对降低 32.0%；不能把原文“对手误差约高 47%”改写为“本文降低 47%”。 定位也不是对所有标定方法占优：TUM 表 1 的标定 MASt3R-SLAM 为 0.030，低于本文 0.039；Replica 的正文也明确承认落后于标定 DROID-SLAM。 原文表 4 的 ViSTA-SLAM ATE 为 0.056，而表 2 为 0.055，这个差异不作自行统一。

消融实验

表 6 直接比较有无后端，TUM RGB-D 的 ATE RMSE 单位为 m。

配置	平均	room	floor	desk	说明
仅前端	0.134	0.547	0.264	0.041	只做因果增量预测
前端 + 后端	0.039	0.082	0.079	0.018	全局校正并反馈 KV

平均 ATE 相对降低约 70.9%，room 的改善尤其明显，符合长序列累积漂移需要历史校正的动机。 但这组消融一起引入了后端校正和 KV 反馈，不能据此分别量化两者的独立贡献，也没有单独证明 Mode 2 的收益。

表 7 进一步分析 7-Scenes 上的缓存压缩，所有误差单位仍为 m。

KV 保留设置	ATE	Acc.	Complet.	Chamfer
100%	0.042	0.017	0.036	0.026
50%	0.041	0.017	0.036	0.027
25%	0.042	0.018	0.037	0.027
12.5%	0.042	0.020	0.038	0.029
6.25%	0.055	0.026	0.042	0.034
log KV pool	0.042	0.017	0.037	0.027
sqrt KV pool	0.041	0.017	0.037	0.027

原文表 7 的 100% 行为 Complet. 0.036、Chamfer 0.026，与表 4 的 0.037、0.027 略有不同；这里按各表原值保留，不把两次报告视为完全相同的基准。

关键发现

• 后端不仅改善最终表面，也显著降低轨迹误差；表 6 是支持前后端协作最直接的定量证据。
• 保留 12.5% KV 时 ATE 仍为 0.042，但 Acc. 已从 0.017 增至 0.020，因此“定位几乎不变”不等于“所有几何指标不变”。
• 6.25% 时多项指标明显恶化；对数与平方根缓存池则维持较接近完整 KV 的结果，显示固定比例不是唯一选择。

亮点与洞察

• 把后端校正写入注意力记忆，而不只修正最终预测。这让“地图优化”能够影响未来的感知过程，是比单次离线重建更接近 SLAM 的协作方式。
• 用三种注意力配置训练同一个模型，覆盖周期运行中不同来源的缓存状态。可迁移的思路是显式训练模块交接时的混合状态，而不是默认单独训练的功能自然兼容。
• 完整查询与稀疏 KV 分离，保住稠密输出位置。这种压缩方式适合“输出必须密集，但可供检索的历史高度冗余”的视觉任务。

局限与展望

• 作者明确指出长序列存在时延和显存扩展问题，图 7 的曲线终点对应内存限制。固定比例剪枝仍保留后端平方级注意力，不能据此宣称无限长实时 SLAM。
• 三套主要定量基准都是室内场景；本文证据不足以推出室外大尺度、强动态物体或严重遮挡条件下的可靠性，这是评测范围的限制。
• 表 6 没有拆分缓存反馈、后端重估和三模式训练，后端间隔与关键帧阈值也缺少独立敏感性分析。后续应在相同预算下分别控制这些因素。
• 全注意力承担回环功能是作者的机制解释，本文没有单独报告回环检测准确率或失败恢复能力。更接近部署的评测应检查错误回环、长时间失跟和动态场景下的恢复。

相关工作与启发

• vs MASt3R-SLAM / VGGT-SLAM：它们以几何基础模型提供图像对或子地图预测，再用外部几何优化连接；本文用共享 Transformer 直接更新全局地图 token，并反馈到后续前端。传统方法仍可能在某些标定定位设置下更准确。
• vs StreamVGGT / CUT3R：流式模型擅长利用历史生成新结果，但不具备本文这种周期性全局重估与缓存刷新机制。本文最重要的增量是让历史能够被新证据改写。
• vs Pi3：Pi3 提供预训练几何能力，本文增加顺序式前端与后端协作。图 6 给出定性比较，但正文称 ofkt0、图注称 ofkt1，序列标识不一致，因此不据此作精确的序列级定量结论。
• 可延伸方向：根据地图不一致程度自适应决定后端触发时机和缓存预算，可能比固定每 10 个关键帧更新更有效；这是笔记提出的研究方向，不是原文已验证结果。

评分

• 新颖性: 4/5。共享 Transformer 的前后端闭环和 KV 反馈具有明确系统创新，但建立在成熟几何基础模型与注意力机制之上。
• 实验充分度: 4/5。覆盖三套定位基准、重建和剪枝分析，但缺少更细粒度协作消融及室外长期验证。
• 写作质量: 4/5。架构与训练模式对应清楚，少数跨表数值与图文序列标识需谨慎读取。
• 价值: 4/5。为从流式几何预测走向可回溯校正的神经 SLAM 提供了具体、可借鉴的系统设计。

相关论文

• [ECCV 2026] VIGS-SLAM: Visual Inertial Gaussian Splatting SLAM
• [ECCV 2026] DINO-SLAM: DINO-Informed RGB-D SLAM for Neural Implicit and Explicit Representations
• [CVPR 2026] ODGS-SLAM: Omnidirectional Gaussian Splatting SLAM
• [CVPR 2026] Unblur-SLAM: Dense Neural SLAM for Blurry Inputs
• [CVPR 2026] SCE-SLAM: Scale-Consistent Monocular SLAM via Scene Coordinate Embeddings