在视频处理领域，如何从单镜头视频中高效追踪三维运动一直是一项难题，尤其是在需要对长序列进行像素级精确追踪时。传统方法面临多重挑战，往往只能跟踪少量关键点，无法实现完整场景的细致理解。而且，现有技术的计算需求较高，难以在处理长视频时保持效率。同时，长时间的跟踪也会受到相机移动和物体遮挡等问题的影响，导致跟踪失误或错误的产生。当前，视频序列运动估计的方法各有优缺点。光流技术提供了密集的像素追踪，但在复杂场景中，尤其是处理长序列时表现出