Agent Skills
› NeverSight/learn-skills.dev
› eloftr-v14-resolution-640
eloftr-v14-resolution-640
GitHubEfficientLoFTR v14分辨率消融实验，将训练分辨率从832降至640以对齐评估标准，并优化BS、LR及验证加速。修复NPE跨分辨率拉伸Bug，修正显存预算，精简TB日志。计划中，待v13验收后决定是否上线。
Trigger Scenarios
v14 / v14_pose / v14_resolution_640
IMG_RESIZE 832 -> 640
NPE bug post-mortem
resolution ablation 832 to 640
NPE cross-resolution RoPE calibration
Install
npx skills add NeverSight/learn-skills.dev --skill eloftr-v14-resolution-640 -g -y
SKILL.md
Frontmatter
{
"name": "eloftr-v14-resolution-640",
"description": "EfficientLoFTR v14 = v13 多维优化版 (训练分辨率 832->640 + 多项工程加速),\ncfg 继承 v13 ddp + 7 项 overrides, sh 改 7 处. v14 vs v13 是干净的训练\n分辨率 ablation——训练 fingerprint 仅由 IMG_RESIZE 主导, 其他都是\"语义\n等效\" (反向缩放保 TRUE_LR\/actual WARMUP step 不变, schedule 等比例放大保\nsample-pass 总量不变) 或\"工程加速\" (val 协议跟 eval bat 一致, TB 数据\n精简 80%).\n\nv14 12 项改动 \/ 5 组逻辑动机 (NPE bug 已删除, 详见 v14 cfg \"NPE bug\npost-mortem\"; 历史上 v14 初版误加 NPE [832,832,640,640] 让 RoPE 跨分辨率\nstretch ratio=1.3, 实测 ep0 auc@10=0.214 < outdoor.ckpt baseline 0.30+,\n根因 stretch 是 extrapolation 用的, v14 long_side 640 < 832 是 interpolation\n不该 stretch; 修复后 v14 不显式设 NPE 走 train.py:130 fallback\n[832,832,832,832] 跟 v0-v13 一致):\n1. 核心 ablation 变量 (1 项): MGDPT_IMG_RESIZE 832 -> 640 (in data cfg\n megadepth_syn_pose_640.py, NOT main cfg, 因 train.py:127 merge 顺序\n data_cfg AFTER main_cfg, main 设 IMG_RESIZE 会被覆盖)\n2. bs + LR\/WARMUP 反向缩放 (3 项): bs 2->4, CANONICAL_LR 1e-3->5e-4,\n WARMUP_STEP 225->450 (TRUE_LR=1.25e-4 \/ actual WARMUP step=1800 跟\n v13\/v10\/v9 完全一致)\n3. val 加速 (2 项): EVAL_TIMES 5->1 (跟 eval_metu_vistir_finetuned.bat\n --ransac_times 1 协议完全一致, best-ckpt 选择 trend 不受影响),\n --limit_val_batches 0.5->0.2 (val 实跑 4493*0.2=899 pair, 跟 LoFTR\n megadepth_val_1500 业界 1500 pair 量级一致)\n4. N + schedule 等比例放大 (4 项): N_SAMPLES_PER_SUBSET 200->100 (LoFTR\n paper default), max_ep 12->18 (N 砍半 -> ep 翻倍补偿 + ES 余地),\n MSLR_MILESTONES [3,5,7]->[6,10,14] (sample-pass 角度等效),\n EARLY_STOPPING_PATIENCE 3->5 (ep 等比例略压: 3\/12=25% vs 5\/18=28%);\n 总 sample-pass v14 ~156K 跟 v13 ES 早停后实际 ~158K 等效\n5. TB 精简 (2 项): ENABLE_PLOTTING True->False (lightning_loftr.py:562\n train figure 关掉, val figure 不受影响, events 1.1GB->220MB),\n --log_every_n_steps 50->500 (scalar 10x 稀疏 + step 加速 3-5%)\n\n显存预算修正 (基于 v13 ship 实测 832+bs=2 = 20.2 GB \/ 卡, +4 GB vs plan):\n cuDNN benchmark workspace + DDP NCCL bucket buffer 实测吃 +4 GB.\n v14 640+bs=4: sim_matrix 砍 29% (0.93->0.66 GB), 但 bs 翻倍, 加上 4 GB\n workspace, 实际预期 ~17 GB \/ 卡 (vs 24 GB), 留 7 GB 余量, 安全.\n\n5 个新建文件 (零 src\/ 改动):\n(1) configs\/data\/megadepth_syn_pose_640.py (~80 行, 从 megadepth_syn_pose_\n trainval.py copy 仅改 MGDPT_IMG_RESIZE 832->640 + docstring)\n(2) configs\/loftr\/eloftr_full_v14_pose_msyn_ddp.py (~115 行, 继承 v13 ddp\n + 8 项 cfg overrides, docstring 含 v13 实测曲线 + v14 schedule 推算)\n(3) configs\/loftr\/eloftr_full_v14_pose_msyn_singlecard.py (~23 行, 继承\n v14 ddp + 单卡反向缩放 CANONICAL_LR=2e-3 \/ WARMUP_STEP=1800)\n(4) MyScripts\/run_msyn_v14_pose_ddp.sh (~110 行, 基于 v13 ddp.sh 改 7 处:\n data_cfg \/ main_cfg \/ exp_name \/ batch_size 2->4 \/\n limit_val_batches 0.5->0.2 \/ max_epochs 12->18 \/\n log_every_n_steps 50->500)\n(5) MyScripts\/run_msyn_v14_pose_singlecard.sh (~56 行, 基于 v13 singlecard\n sh 改 4 处)\n\nShip 状态 (2026-05-14): NOT YET shipped, plan-only.\ncfg + sh 已 commit\/未 commit 见 git status (路径全部 ?? untracked 至本\nskill 创建时刻). 等 v13 ship 完成 (剩 1-2h ES 即将触发) + 跑 METU eval\n拿数字, 再决定 v14 是否上.\n\nv13 实测对照基础 (作为 v14 acceptance gate 起点; 见\n.cursor\/skills\/eloftr-v13-pose\/SKILL.md):\n v13 best ep=6, auc@10=0.4096, auc@5=0.2508, auc@20=0.5730\n v13 wall-clock 9 ep x 167 min = 25h\n v13 events.tfevents 1.1GB\n\nv14 wall-clock 推算:\n sim_matrix 单 batch peak: 832@bs=2 0.93GB -> 640@bs=4 0.66GB (-29%)\n single step time: v13 ~1.0 s\/step (bs=2 832) -> v14 ~0.83 s\/step\n (bs=4 640 + 关 train figure -5% + log 频率砍 10x -3%)\n train per ep: 167 min @v13 -> ~32 min @v14 (-81%, N 砍半 + bs 翻倍)\n val per ep: 23 min @v13 -> ~1.4 min @v14 (-94%, 640+1x RANSAC+0.2 limit)\n ep total: 167 min @v13 -> ~33 min @v14\n v14 估 17 ep x 33 min ~= 9h (~2.8x 加速 vs v13 25h)\n events.tfevents: 1.1 GB @v13 -> ~220 MB @v14 (-80%)\n\nv14 schedule 推算 (sample-pass 等效 v13 ES 早停后):\n v13 best ep=6 (sample-pass 6 * 4400 step * bs=4 = 105K \/ rank)\n -> v14 best ep ~12 (sample-pass 12 * 2300 * bs=4 = 110K \/ rank, 等效)\n v13 ES 触发 ep~9 -> v14 ES 触发 ep~15-17, max_ep 18 给 ES 留余地\n\n理论预期 (METU all auc@20 vs v13):\n 消除 832->640 train\/eval mismatch (NPE 频率自动校准 + AGG attention\n spatial pattern + fine_window 物理覆盖率): +5~15% relative\n 640 训练分辨率本身比 832 弱: -5% relative\n N=100 sample-pass 略减: -2% relative\n 净 -2 ~ +8% relative auc@20 (大概率持平或微升)\n\nAcceptance gate (val auc@10 monitor + METU all auc@20):\n Strong : val auc@10 >= 0.415 (v13 0.4096 + 0.005 abs \/ +1.2% rel);\n METU all auc@20 >= v13 + 0.5pp -> 论文 \"分辨率 ablation 成功\"\n Medium : val auc@10 in [0.405, 0.415); METU +- 0.5pp ->\n 832\/640 都行\n Weak : val auc@10 < 0.405; METU < v13 - 1.0pp -> 回退 v13 832 path\n Crash : NaN \/ METU auc 远 < outdoor.ckpt -> NPE 设错 \/ cfg merge\n 顺序错; 查 train.py:129-130\n\n风险点:\n- NPE bug 已修复 (post-mortem): v14 初版加了 cfg.LOFTR.COARSE.NPE =\n [832,832,640,640] 想跨分辨率校准, 但实际 stretch ratio=1.3 让 RoPE\n position phase 错位 50%, ep0 auc@10=0.214 < outdoor.ckpt baseline 0.30+.\n 根因: position_encoding.py:21-22 的 train_res \/ test_res stretch 是给\n extrapolation 用的 (input > train, e.g. LoFTR paper MegaDepth1500 1152\n input vs 832 train); v14 long_side 640 < 832 是 interpolation, integer\n position (1..20) 是 outdoor.ckpt 学过 (1..26) 的子集, attention 兼容\n 良好, 不该 stretch. 修复: 删除 cfg.LOFTR.COARSE.NPE 显式设, 让\n train.py:130 fallback [832,832,832,832] (ratio=1.0). 跑 v14 \/ 衍生\n 版本前再次检查 cfg 是否误加 NPE override.\n- data cfg merge 顺序: v14 ddp main cfg 不要也设 MGDPT_IMG_RESIZE=640\n (会被 data cfg 覆盖, audit 时困惑; 在 main cfg 里设 IMG_RESIZE 是 dead\n code).\n- outdoor.ckpt 加载兼容: outdoor.ckpt 是 832 train, RoPE buffer sin\/cos\n 按 max_shape=(256,256) + npe=[832,832,832,832] 算. v14 fallback NPE\n 跟 outdoor.ckpt 完全一致 (都是 [832,832,832,832] 不 stretch),\n register_buffer(persistent=False) 不入 ckpt (position_encoding.py:37-38),\n v14 自动用 fallback NPE 算 buffer, 完全兼容.\n- bs=4 显存预算: 实测 832+bs=4 OOM, 640+bs=4 理论 -29% sim_matrix peak +\n 4 GB cuDNN\/NCCL 实测预期 ~17 GB \/ 卡, 留 7 GB 余量, 安全. 首次跑前\n nvidia-smi 看稳态值.\n- GPU 散热: v13 ship 实测 GPU 0\/2\/3: 81-87 C (GPU 2 接近 88 C thermal\n throttling 阈值), GPU 1: 66 C 散热好. 当 GPU 2 触发 throttle, 整组\n NCCL all_reduce 等最慢 rank 拖慢 5-10%. v14 跑前可选 sudo nvidia-smi\n -i 2 -pl 280 限 GPU 2 power 87->78 C, step time -5% 但避免 throttle\n 净持平.\n\nUse when running\/debugging\/extending v14 \/ 解释 v14 vs v13 ablation \/\n分辨率 832 vs 640 \/ NPE 跨分辨率校准机制 \/ 显存预算修正 \/ sim_matrix\nbs=4 在 640 path 安全 \/ TB 数据精简 ENABLE_PLOTTING \/ N_SAMPLES schedule\n等比例放大 \/ 写论文分辨率 ablation 章节 \/ v14 ckpt 选择 \/ METU eval v14\nckpt 决定派生.\n\nTriggers: v14 \/ v14_pose \/ v14_resolution_640 \/ msyn_v14_pose_ddp \/\nIMG_RESIZE 832 -> 640 \/ NPE bug post-mortem \/ NPE stretch interpolation\nvs extrapolation \/ NPE fallback [832,832,832,832] \/ position_encoding.py\ntrain_res test_res \/ megadepth_syn_pose_640.py \/ sim_matrix 砍 29% \/\nbs 2 -> 4 反向缩放 \/ CANONICAL_LR 1e-3 -> 5e-4 \/ WARMUP_STEP 225 -> 450 \/\nTRUE_LR 1.25e-4 不变 \/ EVAL_TIMES 5 -> 1 \/ limit_val_batches 0.5 -> 0.2 \/\nN_SAMPLES_PER_SUBSET 200 -> 100 (LoFTR paper default) \/ max_ep 12 -> 18 \/\nMSLR [3,5,7] -> [6,10,14] \/ ES patience 3 -> 5 \/ ENABLE_PLOTTING False \/\nlog_every_n_steps 50 -> 500 \/ events 1.1GB -> 220MB \/ wall-clock 25h ->\n9h \/ GPU 2 thermal throttling \/ 12 项改动 \/ 5 组逻辑动机 \/ 显存 17 GB \/\n卡 \/ METU 640 协议 train\/eval match \/ LWIR thermal native 640 假高频问题,\nEnglish 'resolution ablation 832 to 640', 'NPE cross-resolution RoPE\ncalibration', 'sim_matrix 4-th power resolution scaling', 'reverse-scale\nLR\/WARMUP keep TRUE_LR invariant', 'N_SAMPLES schedule equiproportional\nscale-up', 'ENABLE_PLOTTING True to False saves 80 percent events',\n'13 changes \/ 6 logical groups', 'plan-only ship pending'.\n\nv14 = path J 衍生 ablation (训练分辨率维度), 不破坏 v13 path J 的核心\ncross-modal pose 监督定位 (训练 fingerprint 仅由 IMG_RESIZE 主导).\nInheritance graph:\n eloftr_full.py (v0 baseline)\n -> v13 (B-pure pose 监督, 832, bs=2, eloftr-v13-pose)\n -> v14 (THIS skill, 640 + 工程加速, bs=4)\n\nCompanion:\n eloftr-v13-pose (parent \/ v14 acceptance gate 起点 0.4096)\n eloftr-megadepth-syn-data (Megadepth_Syn dataset SOP, v14 复用)\n eloftr-cross-modal-experiments (chain 路线总览; v14 是 v13 衍生)\n eloftr-server-multigpu (DDP runtime + 5 traps)\n eloftr-eval-pipeline (eval_metu_vistir_finetuned.bat 协议; v14 ckpt\n 待跑该 bat)\n eloftr-results (跨版本数字总表; v14 数字待 backfill)\n eloftr-tb-summary (训练侧 KPI 总表; v14 wall-clock \/ best_ep \/ 待\n backfill)\n eloftr-v15-pose-contrast (v14 的进一步 ablation 衍生, v14 + v1\n contrastive loss, 1 项改动)\n eloftr-v17-llvip (v14 的 finetune 派生, v14 best ckpt + LLVIP 像素对齐\n 数据集 + aggressive single-side H aug + Schedule V2; 第一个 finetune\n from v14 而不是 cold start outdoor.ckpt 的 v* 实验)"
}
v14: Resolution Ablation 832 -> 640 + 多维工程加速 (Plan-Only)
继承链：
eloftr_full.py→v13(path J B-pure pose 监督) →v14(THIS skill, 832->640 + 9 项工程加速) 父对照 / v13 实测曲线 → eloftr-v13-pose 数据集 → eloftr-megadepth-syn-data 跨版本数字 → eloftr-results →results/eval_summary.md状态：plan-only, ship pending. 等 v13 ship 完成 + METU eval 拿数字后决定是否跑.
1. 设计意图：训练分辨率 832->640 消除 train/eval mismatch + 工程加速
v13 训练 832 + METU eval 640 (MINIMA / XoFTR paper Sec 5.1 协议要求)。这造成 2 层 train/eval mismatch（NPE 那层 v14 实践证明不是问题, 见 §1.1）：
- AGG attention spatial pattern: v13 训练时 attention 跑 26x26 (832/8/4); eval 跑 20x20 (640/8/4). 学到的"哪些 spatial position 该 attend"不严格对齐。
- fine_window 物理覆盖率: 8x8 fine window 在 832 占 0.96% 长边, 640 占 1.25%。模型学的 sub-pixel regression 校准范围在 eval 时拉大 30%。
v14 直接训 640, 让训练 attention 跑 20x20 + fine_window 占 1.25% 跟 eval 完全对齐, 同时享受 bs=4 (sim_matrix 砍 29%) 的工程加速。
1.1 NPE 层 mismatch: v14 初版误判 + 修复后的认知
v14 初版以为"训练 640 + NPE 设 [832, 832, 640, 640] (ratio=1.3 stretch RoPE position) 让 outdoor.ckpt 832 训过的 RoPE frequency 在 640 input 上跟训练时同尺度"会消除第三层 NPE mismatch。但实测踩 bug: ep0 auc@10=0.214 vs v13 ep0=0.376 (跌 43%, 比 outdoor.ckpt cold start baseline ~0.30 还差)。
根因 (见 v14 cfg "NPE bug post-mortem"):
position_encoding.py:21-22的i_position * train_res / test_resstretch 是给 extrapolation 用的 (input long_side > train res, e.g. LoFTR paper MegaDepth1500 1152 input vs 832 train, position 144 stretch 回 (10.72, 20.72, ..., 144*0.72) = (0.72, 1.44, ..., 104) 让 RoPE freq 还在 ckpt 学过的范围).- v14 long_side 640 < 832 是 interpolation, integer position (1..20) 是 outdoor.ckpt 学过 (1..26) 的子集, attention 完美兼容, 不该 stretch.
- ratio=1.3 stretch 让 cos(1.3) vs cos(1) = 0.27 vs 0.54, 低频维度 attention pattern 被破坏 50%.
修复: 删除 cfg.LOFTR.COARSE.NPE 显式设, 让 train.py:130 fallback [832,832,832,832] (ratio=1.0 不 stretch, 跟 v0-v13 一致)。
所以 v14 实际只消除 2 层 mismatch (AGG attention + fine_window), NPE 层走"什么都不做"反而比 stretch 好。这是 v14 ship 的关键 insight: 不 stretch RoPE 让 outdoor.ckpt 的 attention pattern 直接复用 (640 position 是 832 的子集)。
2. 5 个文件 (零 src/ 改动) + cfg 继承链
| 文件 | 关键设计 |
|---|---|
configs/data/megadepth_syn_pose_640.py |
80 行。从 v13 megadepth_syn_pose_trainval.py copy, 仅改 MGDPT_IMG_RESIZE 832->640. 其他全部保留 (LIST_PATH / DF / IMG_PAD / DEPTH_PAD / CROSS_MODAL_MODE='ir2vis' / NPE_NAME='megadepth'). |
configs/loftr/eloftr_full_v14_pose_msyn_ddp.py |
115 行。继承 v13 ddp + 7 项 cfg overrides: CANONICAL_LR / WARMUP_STEP / EVAL_TIMES / N_SAMPLES_PER_SUBSET / MSLR_MILESTONES / EARLY_STOPPING_PATIENCE / ENABLE_PLOTTING. docstring 含 v13 实测曲线 + v14 schedule 推算 + NPE bug post-mortem. (NPE 不显式设, 走 fallback [832,832,832,832] 跟 v0-v13 一致, 见 §1.1) |
configs/loftr/eloftr_full_v14_pose_msyn_singlecard.py |
23 行。继承 v14 ddp + 单卡反向缩放 (CANONICAL_LR=2e-3, WARMUP_STEP=1800). |
MyScripts/run_msyn_v14_pose_ddp.sh |
110 行。基于 v13 ddp.sh 改 7 处: data_cfg / main_cfg / exp_name / batch_size 2->4 / limit_val_batches 0.5->0.2 / max_epochs 12->18 / log_every_n_steps 50->500. |
MyScripts/run_msyn_v14_pose_singlecard.sh |
56 行。基于 v13 singlecard sh 改 4 处. smoke 不需改 schedule/log_every. |
0 src/ 改动。继承链:
eloftr_full.py (v0 baseline)
└─ v13_pose_msyn_ddp (短路, B-pure stack, 832, bs=2)
└─ v14_pose_msyn_ddp (THIS, 8 项 overrides, 640, bs=4)
└─ v14_pose_msyn_singlecard (单卡反向缩放)
3. cfg overrides 表 (vs v13 byte-diff)
| 字段 | v13 | v14 | 来源类别 |
|---|---|---|---|
cfg.DATASET.MGDPT_IMG_RESIZE (in data cfg) |
832 | 640 | 核心 ablation 变量 |
cfg.LOFTR.COARSE.NPE |
不显式设 (fallback [832,832,832,832]) |
不显式设 (同 fallback) | 不动 (v14 初版误设 [832,832,640,640] 踩 stretch bug 已修复, 见 §1.1) |
cfg.TRAINER.CANONICAL_LR |
1e-3 | 5e-4 | bs+LR 反向缩放 |
cfg.TRAINER.WARMUP_STEP |
225 | 450 | bs+LR 反向缩放 |
cfg.LOFTR.EVAL_TIMES |
5 (eloftr_full default) | 1 | val 加速 |
cfg.TRAINER.N_SAMPLES_PER_SUBSET |
200 | 100 | LoFTR paper default |
cfg.TRAINER.MSLR_MILESTONES |
[3, 5, 7] | [6, 10, 14] | schedule 等比例 ×2 |
cfg.TRAINER.EARLY_STOPPING_PATIENCE |
3 | 5 | schedule 等比例略压 |
cfg.TRAINER.ENABLE_PLOTTING |
True (default) | False | TB 精简 |
sh 改动 (vs v13 ddp sh):
| arg | v13 | v14 | 来源 |
|---|---|---|---|
--batch_size |
2 | 4 | 显存允许 (sim_matrix 0.66 GB / batch) |
--limit_val_batches |
0.5 | 0.2 | val 抽样加速 |
--max_epochs |
12 | 18 | N 砍半 -> ep 翻倍补偿 + ES 余地 |
--log_every_n_steps |
50 | 500 | TB scalar 10x 稀疏 + step 加速 |
| data_cfg path | megadepth_syn_pose_trainval.py |
megadepth_syn_pose_640.py |
走新 data cfg |
| main_cfg path | eloftr_full_v13_pose_msyn_ddp.py |
eloftr_full_v14_pose_msyn_ddp.py |
走新 main cfg |
--exp_name |
msyn_v13_pose_ddp | msyn_v14_pose_ddp | 跨版本区分 |
净效果：v14 的训练 fingerprint 跟 v13 相同, 仅 IMG_RESIZE+NPE 改动, bs/LR/WARMUP 反向缩放保 TRUE_LR/actual WARMUP step 不变, schedule 等比例放大保 sample-pass 总量等效。
4. wall-clock 推算 (基于 v13 实测倒推)
| 项 | v13 (实测) | v14 (推算) |
|---|---|---|
| sim_matrix 单 batch peak | 0.93 GB (bs=2, 832, 10816²) | 0.66 GB (bs=4, 640, 6400²) |
| single step time | ~1.0 s/step | ~0.83 s/step (640 -5% + 关 figure -5% + log 频率 -3%) |
| train step / rank / ep | 4400 (N=200, bs=2) | 2300 (N=100, bs=4) |
| train per ep | 150 min | ~32 min (-79%) |
| val step / rank | 562 (limit_val=0.5, 4卡) | 224 (limit_val=0.2, bs=1, 4卡) |
| val rate | 2.45 s/step | 1.5 s/step (640 path -40%, EVAL_TIMES 5->1 也减 RANSAC) |
| val per ep | 23 min | ~1.4 min (-94%) |
| ep total | 167 min | ~33 min |
| 12-18 ep total | 9 ep × 167 min = 25h | 17 ep × 33 min ≈ 9h (-64%, ~2.8x 加速) |
| events.tfevents | 1.1 GB | ~220 MB (-80%, 关 train figure) |
5. acceptance gate (基于 v13 实测 0.4096 起算)
| benchmark | v13 best (ep6 实测) | v14 strong (≥) | v14 medium 区间 | v14 weak (<) |
|---|---|---|---|---|
| val auc@5 | 0.2508 | 0.255 | [0.247, 0.255) | 0.247 |
| val auc@10 (monitor) | 0.4096 | 0.415 | [0.405, 0.415) | 0.405 |
| val auc@20 | 0.5730 | 0.578 | [0.568, 0.578) | 0.568 |
| METU all auc@20 (eval bat 跑) | 待 v13 ship 完 + eval | v13 数字 + 0.5pp | v13 ± 0.5pp | v13 - 1.0pp |
| wall-clock | 25h (实测 9 ep) | [7h, 12h] | — | — |
| events.tfevents | 1.1 GB | ~220 MB (-80%) | — | — |
如果 v14 medium, v14 仍有工程价值——wall-clock 9h vs v13 25h, ~2.8x 加速 + events 砍 80% + 协议跟 LoFTR/eval bat 完全对齐, 是 v13 序列后续 ablation (例如 v15 加 contrastive) 的最经济基线。
6. 后续派生
6.1 v15 = v14 + v1 cross-modal symmetric InfoNCE contrastive loss
唯一 cfg 改动: cfg.LOFTR.LOSS.USE_CONTRASTIVE = True. 见 eloftr-v15-pose-contrast.
v15 在 v14 上零代码改动直接可用 (contrastive 实现仅依赖 data['spv_b_ids/i_ids/j_ids'], MegaDepth pose path 的 spvs_coarse 也会 update 这 3 个字段, src/loftr/utils/supervision.py:125-129).
6.2 v14 ship 后的 backfill 工作
v14 ship 完成后用 MyScripts/read_tb_metrics.py 拿数字:
python MyScripts/read_tb_metrics.py summary --logdir logs/tb_logs/msyn_v14_pose_ddp/version_<N>
backfill 进:
- 本 skill description 的 "Ship 状态" + 实测曲线
- eloftr-results ->
results/eval_summary.md - eloftr-tb-summary ->
results/tb_summary.md
跑 MyScripts/eval_metu_vistir_finetuned.bat 14 拿 METU 数字 backfill 到 acceptance gate 表。
Version History
- e0220ca Current 2026-07-05 22:19
