TrackCraft3r

TrackCraft3R 是一个基于视频扩散变换器（Video Diffusion Transformer）的单次前向传播密集三维目标跟踪方法。它复用预训练的大规模视频生成模型（Wan2.1-T2V-1.3B），通过轻量级适配（LoRA、I/O投影等）实现对单目视频、深度图与相机参数的联合处理，直接输出稠密像素级3D轨迹。技术特点包括：无需迭代优化、端到端可训练、支持合成数据多源联合训练（Kubric、TartanAir等）、依赖Hugging Face生态加载权重。适用于自动驾驶仿真、AR/VR场景理解、机器人视觉导航等需高效稠密3D运动建模的研究与开发场景。