Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2507.00886

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2507.00886 (cs)
[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

Authors:Anna-Maria Halacheva, Jan-Nico Zaech, Xi Wang, Danda Pani Paudel, Luc Van Gool
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。
摘要: As multimodal language models advance, their application to 3D scene understanding is a fast-growing frontier, driving the development of 3D Vision-Language Models (VLMs). Current methods show strong dependence on object detectors, introducing processing bottlenecks and limitations in taxonomic flexibility. To address these limitations, we propose a scene-centric 3D VLM for 3D Gaussian splat scenes that employs language- and task-aware scene representations. Our approach directly embeds rich linguistic features into the 3D scene representation by associating language with each Gaussian primitive, achieving early modality alignment. To process the resulting dense representations, we introduce a dual sparsifier that distills them into compact, task-relevant tokens via task-guided and location-guided pathways, producing sparse, task-aware global and local scene tokens. Notably, we present the first Gaussian splatting-based VLM, leveraging photorealistic 3D representations derived from standard RGB images, demonstrating strong generalization: it improves performance of prior 3D VLM five folds, in out-of-the-domain settings.
主题: 计算机视觉与模式识别 (cs.CV) ; 机器人技术 (cs.RO)
引用方式: arXiv:2507.00886 [cs.CV]
  (或者 arXiv:2507.00886v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.00886
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Anna-Maria Halacheva [查看电子邮件]
[v1] 星期二, 2025 年 7 月 1 日 15:52:59 UTC (23,133 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs
cs.RO

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号