本文探讨了新视角合成(Novel View Synthesis, NVS)在几何表征学习中的作用。理论上,NVS 应能对三维场景结构进行推理,从而习得可迁移的多视角几何表征。然而,当前基于编码器的 NVS 方法所生成的表征质量较差。这并非源于监督信号的缺失,而主要归因于一些看似细微却影响深远的网络架构设计:一是解码器具有过强的空间表达能力(spatially expressive decoders),削弱了场景编码器本身的表征能力;二是重建目标设定在低层次的像素空间(low-level pixel-space targets),阻碍了高层语义特征的学习。为此,我们提出了 SNAP——一种自监督的编码器–解码器式 Transformer 模型,通过引入姿态条件化的局部解码器(pose-conditioned local decoder)与潜空间重建目标(latent-space reconstruction objective),从根源上解决了上述两个问题。SNAP 具有任务无关性(task-agnostic),实验表明,其性能可媲美专为几何任务设计、依赖显式几何监督的模型。此外,在视觉定位、位姿估计、点对应匹配、深度估计和机器人操作共五项下游任务中,SNAP 的表现亦优于现有各类自监督表征方法。尤为值得注意的是,SNAP 所学习的图像块(patch)特征自发涌现出显著的视角不变性(emergent viewpoint invariance),其水平已接近高度依赖大量标注数据与算力的强监督模型,而其训练所需的计算资源与数据规模却远低于后者。当相机发生较大位移、传统二维表征性能急剧下降甚至完全失效时,SNAP 的性能退化则更为平缓——这一现象揭示出:主动限制解码器的表达能力,反而能有效避免可迁移几何结构被过度抑制。https://snap-nvs.github.io

