單張推理已經夠快，但去到多視角場景，depth、camera pose 同 pointmap 未必互相講得通，之後做重建、定位或者室內掃描就會累積誤差。Self-Geometry 屬於 3D 視覺模型適配流程，重點唔係重新訓練一個新模型，而係喺測試階段替現有 3D Vision Foundation Models 補回明確幾何約束。
它採用 GT-Free 的 Test-Time Adaptation (TTA)，直接由 2D pixel correspondences 生成 pseudo ground-truth，再把 Multi-View Consistency、Epipolar Consistency 同 Gradient Disentanglement 組合起來，減少幾種幾何訊號互相拉扯。配合基於 SO(3) geodesic distance 的 Frame Angular-Neighbor 抽幀方式，以及用 LoRA 做 Lightweight TTA，部署理解上比較直接：你可以把它視為加喺 VGGT、π³、DA3-Giant/Large/Base/Small 之上的後處理適配層，而唔係取代原本 backbone。
同類做法常見會依賴模型自己輸出的隱式一致性訊號，Self-Geometry 則改為在測試時加入顯式 multi-view geometry constraints。取捨亦好清楚：它換來較穩定的 pose estimation 同 geometry estimation 改善，但仍然要針對每個 scene 做一次短時間適配，未必適合極端低延遲或單張即時推理流程。
現有資料指出，它在六個 VFMs 同四個 benchmarks，包括 7Scenes、ETH3D、ScanNet++、HiRoom，都有一致提升，而且每個 scene 的適配可在兩分鐘內完成。互動示例亦提供 baseline 與 Self-Geometry 的 pointmap、depth-map 對照，以及相對 TCO、Free-Geometry 的 depth-error、pointmap-error 視覺比較，較適合做 3D reconstruction、camera localization、室內空間感知，或者想保留既有 VFM 而補強幾何一致性的研究團隊同工程項目。
- 針對預訓練 3D VFM 的多視角幾何不一致問題，而唔係另起一個新模型
- 用 2D pixel correspondences 當 pseudo ground-truth，避免依賴真實標註
- 可直接套用到 VGGT、π³、DA3 系列，核心形式屬於 plug-and-play TTA
- 已公開互動比較與定性結果，重點放在 depth、pointmap 與 pose 的一致改善