arXiv new; ICML 2026; DINOv3-conditioned geometry · P3 · 2026-07-04

PointDiT：它和通用视觉自监督的关系在于：不是 SSL 训练，但直接使用 DINOv3 image tokens 作为几何扩散条件，能观察 DINO 表征的 dense transfer

中相关；详见方法、贡献和实验边界。

PointDiT: Pixel-Space Diffusion for Monocular Geometry Estimation　arXiv new; ICML 2026; DINOv3-conditioned geometry　原文链接

编号2607.02515 优先级P3 类别arXiv new; ICML 2026; DINOv3-conditioned geometry 会议arXiv new; ICML 2026; DINOv3-conditioned geometry 方法不是 SSL 训练，但直接使用 DINOv3 image tokens 作为几何扩散条件，能观察 DINO 表征的 dense transfer 来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：不是 SSL 训练，但直接使用 DINOv3 image tokens 作为几何扩散条件，能观察 DINO 表征的 dense transfer。中相关；详见方法、贡献和实验边界。

**(a) Point VAE reconstruction**(a) Point VAE reconstruction. Even without diffusion, the VAEreconstructed point cloud exhibits substantial noise, which fundamentally limits the quality attainable by latent diffusion models. (b) Structural details. PointDiT recovers intricate, thin structures such as the chair more faithfully than GeometryCrafter (latent diffusion) and MoGe-2 (deterministic regression). Here we visualize the z-depth from the predicted 3D point maps. Figure 2. Comparison with latent diffusion and regression. The two dominant paradigms each have an inherent limitation: (a) the VAE in latent diffusion models introduces reconstruction noise that caps the attainable quality, while (b) deterministic regression over-smooths fine geometric structures. PointDiT avoids both.这张图/表用于判断 PointDiT 的实验收益来自哪里。重点看替换、消融或跨模型设置下趋势是否一致，而不是只看单个最高分。

**(b) Structural details and transparent objects**(b) Structural details and transparent objects. Figure 5. Generative flow matching vs. deterministic regression. (a) The deterministic regressor converges faster at first but soon overfits, while the generative model trains stably and reaches lower error. (b) The generative model recovers sharper boundaries, thin structures, and transparent objects than the deterministic regressor. Overall, the generative formulation improves the boundary metric BF1 from 10.90 to 13.92 under this controlled comparison.这张图/表用于判断 PointDiT 的实验收益来自哪里。重点看替换、消融或跨模型设置下趋势是否一致，而不是只看单个最高分。

核心问题

它和通用视觉自监督的关系在于：不是 SSL 训练，但直接使用 DINOv3 image tokens 作为几何扩散条件，能观察 DINO 表征的 dense transfer。

方法拆解

不是 SSL 训练，但直接使用 DINOv3 image tokens 作为几何扩散条件，能观察 DINO 表征的 dense transfer

主要贡献

中相关；详见方法、贡献和实验边界。

实验看点

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。