Lingbot-Map

LingBot-Map 面向连续视频中的相机位姿估计、深度预测与三维点云重建，处理的是长序列里全局几何一致性、实时速度和显存增长彼此牵制的问题。项目用 GCA（Geometric Context Attention） 把固定的 anchor context、局部 pose-reference window 与压缩后的 trajectory memory 组合成流式状态，再通过 paged KV cache 处理缓存的追加和淘汰。论文在 518x378 输入、窗口 64 的设置下报告 20.29 FPS 与 13.28GB 显存，仓库的实际 16 帧冒烟运行也测得约 13.25GB 峰值。下面结合论文、代码和服务器部署过程，拆解这套设计为什么适合单张 RTX 4090，以及如何用 Web 查看器完成第一次可视化。

这不是一个从零训练的轻量脚本，而是一个已经提供官方权重、流式推理、长序列窗口推理、点云可视化和 benchmark 框架的研究代码仓库。最适合的使用方式是拿已有 checkpoint 做推理和评测，然后把视频或图片目录交给 demo.py；论文中两阶段训练分别需要约 21,500 GPU 小时和 15,360 GPU 小时，单张消费级显卡不应被误解为完整训练平台。进一步看，部署难点主要集中在 GPU 显存、首次 CUDA 内核编译、长视频磁盘和 Web 端口管理，而不是 CPU 算力本身。

详细使用可以参考LingBot-Map：把长视频三维重建做成一条可部署的流