几何decoder

GeoState包含场景tokenizer、几何decoder和自回归世界模型三个关键组件。场景tokenizer将多视角GFM特征聚合为视角解耦的场景状态；几何decoder用相机射线查询场景状态以渲染特定视角观测；自回归世界模型在解耦后的场景状态空间中进行预测并独立建模相机运动。

几何decoder使用相机射线作为查询，通过类似光线投射或交叉注意力的方式从场景状态中采样信息，生成目标相机视角下的几何观测（如深度图、特征图或RGB图像）。