已收录文章摘要，完整内容可前往原文阅读。
过去二十多年，视觉SLAM和三维重建基本遵循一条经典流水线：输入一帧图像 → 提取特征 → 匹配 → 估计相机位姿 → 三角化/建图 → 优化 → 再处理下一帧。 这种逐帧、模块化的方式非常成熟，但也