研究者らは、幾何学的基盤モデルであるVGGTが共可視性を暗黙的に符号化しており、早期層が3D認識表現を構築し、後期層が専用推論器として機能することを示した。具体的には、層L17は非共可視ペアに対する負のアンカーとして働き、層特化の証拠を提供している。

この知見に基づき、著者らはVGGTを凍結し、RGB画像のみから共可視性を分類するために、7.5M未満のパラメータを持つ軽量な層ごとのエキスパート混合ヘッドを訓練するCo-VGGTを導入した。

Co-VisiONベンチマークにおいて、Co-VGGTは人間注釈のベースラインを上回り、ペアワイズ結果を25%以上、マルチビュー結果を10%改善した。その予測は適切に較正されており（ECE=0.030）、SfMおよびSLAMパイプラインにおける可視性グラフのエッジ重みとして事後補正なしで直接使用できる。