已收录文章摘要，完整内容可前往原文阅读。
“横看成岭侧成峰，远近高低各不同”——单张 RGB 图像因缺乏绝对深度与物理尺度，让感知系统在三维物理世界中宛如“盲人摸象”。传统的“先 2D 检测再估计 3D 属性”范式在遇到相机内参变化或场景迁移