mast3r/
├── cloud_opt/           # 三維點雲優化模塊
├── colmap/              # COLMAP接口模塊
├── datasets/            # 數據集處理模塊
├── retrieval/           # 圖像檢索模塊
├── utils/               # 通用工具函數
├── catmlp_dpt_head.py   # 網絡頭部定義
├── model.py             # 主模型定義
├── losses.py            # 損失函數實現
└── image_pairs.py       # 圖像對生成工具

class AsymmetricMASt3R(AsymmetricCroCo3DStereo):
    def __init__(self, desc_mode=('norm'), two_confs=False, desc_conf_mode=None, **kwargs):
        self.desc_mode = desc_mode
        self.two_confs = two_confs
        self.desc_conf_mode = desc_conf_mode
        super().__init__(**kwargs)

# 標準庫導入
import os
import math

# 第三方庫導入
import torch
import numpy as np

# 本地模塊導入
from mast3r.utils.misc import transpose_to_landscape
from dust3r.losses import BaseCriterion, Criterion

def apply_log_to_norm(xyz: torch.Tensor) -> torch.Tensor:
    """對三維點雲進行對數歸一化處理
    
    Args:
        xyz: 輸入三維點雲，形狀為(B, H, W, 3)
        
    Returns:
        歸一化後的點雲
    """
    d = xyz.norm(dim=-1, keepdim=True)
    xyz = xyz / d.clip(min=1e-8)
    xyz = xyz * torch.log1p(d)
    return xyz

class AsymmetricMASt3R(AsymmetricCroCo3DStereo):
    """非對稱MASt3R模型類
    
    Args:
        desc_mode: 描述符處理模式
        two_confs: 是否使用雙置信度機制
        **kwargs: 父類參數
    """
    def __init__(self, desc_mode=('norm'), two_confs=False, desc_conf_mode=None, **kwargs):
        self.desc_mode = desc_mode
        self.two_confs = two_confs
        self.desc_conf_mode = desc_conf_mode
        super().__init__(**kwargs)
        
    @classmethod
    def from_pretrained(cls, pretrained_model_name_or_path, **kw):
        """從預訓練模型加載"""
        if os.path.isfile(pretrained_model_name_or_path):
            return load_model(pretrained_model_name_or_path, device='cpu')
        else:
            return super(AsymmetricMASt3R, cls).from_pretrained(pretrained_model_name_or_path, **kw)

def sparse_global_alignment(imgs, pairs_in, cache_path, model, subsample=8, desc_conf='desc_conf',
                           device='cuda', dtype=torch.float32, shared_intrinsics=False, **kw):
    """稀疏全局對齊
    
    實現多視圖圖像的稀疏全局對齊，構建三維場景
    
    Args:
        imgs: 輸入圖像列表
        pairs_in: 圖像對列表
        cache_path: 緩存路徑
        model: 預訓練模型
        subsample: 下采樣因子
        desc_conf: 描述符置信度類型
        device: 計算設備
        dtype: 數據類型
        shared_intrinsics: 是否共享內參
        **kw: 其他參數
        
    Returns:
        對齊後的三維場景
    """

# 使用對數深度縮放，增強近處細節的區分度
d = xyz.norm(dim=-1, keepdim=True)
xyz = xyz / d.clip(min=1e-8)  # 歸一化方向向量
xyz = xyz * torch.log1p(d)    # 對數縮放深度

assert img_size[0] % patch_size == 0 and img_size[1] % patch_size == 0, \
    f'{img_size=} must be multiple of {patch_size=}'

with torch.no_grad():
    # 無梯度計算的推理過程
    features = x[:, self.dune_backbone.num_register_tokens + 1:, :]
    return features.detach(), pos

def fast_reciprocal_NNs(pts1, pts2, subsample_or_initxy1=8, ret_xy=True, pixel_tol=0, ret_basin=False,
                        device='cuda', **matcher_kw):
    """快速互近鄰匹配
    
    分塊計算互近鄰，降低內存佔用
    """
    # 實現分塊匹配邏輯