RayRoPE是一种针对多视角Transformer的位置编码方法，利用预测的射线点进行几何感知编码，通过查询帧投影坐标实现SE(3)不变性和多频相似性，并处理预测不确定性。实验表明，该方法在新视图合成和立体深度估计任务上优于现有方案，在CO3D数据集上LPIPS指标提升15%，且能有效整合RGB-D输入。

FoundationStereo是一种用于立体深度估计的基础模型，具有强大的零样本泛化能力。通过构建100万对合成立体图像，并结合自筛选流程和创新网络架构，显著提升了模型的鲁棒性和精度，设立了新标准。该模型在多个排行榜上表现优异，相关代码已开源。