计算机科学 > 计算机视觉与模式识别
[提交于 2025年7月1日
]
标题: 高斯VLM:使用语言对齐的高斯点云进行场景中心的3D视觉语言模型用于具身推理及其他应用
标题: GaussianVLM: Scene-centric 3D Vision-Language Models using Language-aligned Gaussian Splats for Embodied Reasoning and Beyond
摘要: 随着多模态语言模型的进步,其在3D场景理解中的应用是一个快速发展的前沿领域,推动了3D视觉-语言模型(VLMs)的发展。 当前的方法表现出对物体检测器的强烈依赖,引入了处理瓶颈和分类灵活性的限制。 为了解决这些限制,我们提出了一种以场景为中心的3D VLM,用于3D高斯点云场景,该模型采用语言和任务感知的场景表示。 我们的方法通过将语言与每个高斯基元相关联,直接将丰富的语言特征嵌入到3D场景表示中,实现了早期模态对齐。 为了处理生成的密集表示,我们引入了一个双稀疏化器,通过任务引导和位置引导的路径将它们提炼为紧凑的任务相关标记,生成稀疏的任务感知全局和局部场景标记。 值得注意的是,我们提出了第一个基于高斯点云的VLM,利用从标准RGB图像中得出的逼真3D表示,在域外设置中展示了强大的泛化能力:它将先前3D VLM的性能提高了五倍。
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.