VGGT는 시야 중첩을 별도 지도 없이도 내재적 행동으로 인코딩하는 것으로 나타났어요. VGGT의 내부 표현은 대규모 언어 모델과 유사한 계층 구조를 보이며, 초기 레이어는 3D 장면 표현을 구축하고 후기 레이어는 시야 중첩 추론을 담당해요.
연구진은 L17 레이어가 시야 중첩이 아닌 쌍을 일관되게 라우팅하는 부정적 앵커 역할을 한다는 것을 확인하여 기하학적 기반 모델에서 레이어 전문화의 증거를 제시했어요.
Co-VGGT는 VGGT를 고정하고 RGB 이미지만으로 시야 중첩을 분류하는 가벼운 레이어별 Mixture-of-Experts 헤드를 훈련하여 Co-VisiON 벤치마크에서 인간 어노테이션 기준을 능가하고 기존 연구보다 25% 이상 성능을 향상시켰어요.