Spatial-TTT：基于测试时训练的流式视觉空间智能

人类通过连续视觉观察感知现实空间，因此从无限视频流中流式维护和更新空间证据对空间智能至关重要。本文提出 Spatial-TTT，利用测试时训练（TTT）自适应调整部分参数（快权重），以捕获并组织长时段场景视频中的空间证据。该方法设计了混合架构，结合大块更新与滑动窗口注意力机制以实现高效处理；并引入带有 3D 时空卷积的空间预测机制，增强几何对应与时序连续性捕捉能力。此外，构建了含密集 3D 空间描述的数据集，引导模型结构化地记忆全局空间信号。实验表明其在视频空间基准上达到最先进水平。