计算机科学 > 计算机视觉与模式识别
[提交于 2025年6月2日
]
标题: 大型语言模型需要三维感知表示监督来进行场景理解
标题: MLLMs Need 3D-Aware Representation Supervision for Scene Understanding
摘要: 场景理解的最新进展利用多模态大型语言模型(MLLM)通过其强大的2D预训练来进行3D推理。然而,在MLLM预训练过程中缺乏显式的3D数据限制了其3D表示能力。本文中,我们通过评估多视图对应关系来研究MLLM的3D意识,并揭示了3D感知表示的质量与下游任务性能之间存在强烈的正相关性。受此启发,我们提出了3DRS框架,通过引入来自预训练3D基础模型的监督来增强MLLM的3D表示学习。我们的方法将MLLM的视觉特征与从3D模型中提取的丰富的3D知识对齐,从而有效提升场景理解能力。广泛的实验表明,在多个基准数据集和MLLM上——包括视觉定位、图像描述生成以及问答任务——我们的方法均表现出一致的性能提升。项目页面:https://visual-ai.github.io/3drs
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.