Les chercheurs démontrent que le modèle fondamental géométrique VGGT encode implicitement la co-visibilité, les premières couches construisant des représentations conscientes de la 3D et les dernières couches agissant comme des raisonneurs dédiés. Plus précisément, la couche L17 sert d'ancrage négatif pour les paires non co-visibles, fournissant une preuve de spécialisation des couches.
S'appuyant sur cette découverte, les auteurs introduisent Co-VGGT, qui fige VGGT et entraîne un en-tête léger de mélange d'experts par couche avec moins de 7,5M de paramètres pour classifier la co-visibilité à partir d'images RGB uniquement.
Sur le benchmark Co-VisiON, Co-VGGT dépasse la baseline d'annotation humaine, améliorant les résultats par paire de plus de 25 % et les résultats multivues de 10 %. Ses prédictions sont bien calibrées (ECE=0,030), permettant une utilisation directe comme poids d'arête dans les graphes de visibilité pour les pipelines SfM et SLAM sans correction a posteriori.