VGGSfM ist eine auf Deep Learning basierende 3D-Rekonstruktionstechnik, die darauf abzielt, die Kamerahaltung und die 3D-Struktur einer Szene aus einer Menge unbeschränkter 2D-Bilder zu rekonstruieren. Die Technik ermöglicht ein End-to-End-Training durch ein vollständig differenzierbares Deep-Learning-Framework. Sie extrahiert zuverlässige Pixel-Ebenen-Trajektorien mithilfe einer Deep-2D-Punktverfolgungstechnik, rekonstruiert gleichzeitig alle Kameras basierend auf Bild- und Trajektorienmerkmalen und optimiert Kameras und triangulierte 3D-Punkte über eine differenzierbare Bündelausgleichungsschicht. VGGSfM erzielt auf den drei gängigen Datensätzen CO3D, IMC Phototourism und ETH3D state-of-the-art Ergebnisse.