शोधकर्ताओं ने दिखाया है कि ज्यामितीय फाउंडेशन मॉडल VGGT सह-दृश्यमानता को अंतर्निहित रूप से एन्कोड करता है, जहाँ प्रारंभिक परतें 3D-जागरूक प्रतिनिधित्व बनाती हैं और देर की परतें समर्पित तर्ककर्ताओं के रूप में कार्य करती हैं। विशेष रूप से, परत L17 गैर-सह-दृश्यमान जोड़ों के लिए एक नकारात्मक एंकर के रूप में कार्य करती है, जो परत विशेषज्ञता का प्रमाण प्रदान करती है।
इस निष्कर्ष पर आधारित होकर, लेखकों ने Co-VGGT पेश किया है, जो VGGT को फ्रीज करता है और RGB छवियों से सह-दृश्यमानता को वर्गीकृत करने के लिए 7.5M से कम पैरामीटर के साथ एक हल्की परत-वार मिक्स्चर-ऑफ-एक्सपर्ट्स हेड को प्रशिक्षित करता है।
Co-VisiON बेंचमार्क पर, Co-VGGT मानव एनोटेशन बेलाइन से ऊपर जाता है, जोड़े के परिणामों में 25% से अधिक और बहु-दृश्य परिणामों में 10% की सुधार करता है। इसके पूर्वानुमान अच्छी तरह से कैलिब्रेटेड हैं (ECE=0.030), जिससे SfM और SLAM पाइपलाइन के लिए दृश्यमानता ग्राफ में सीधे एज वजन के रूप में उपयोग किया जा सकता है, बिना किसी पोस्ट-हॉक सुधार के।