Tag · 2 篇
三维空间推理
分布 视觉语言模型1强化学习与具身智能1
01 02
VLM-3R：以指令对齐三维重建增强的视觉语言模型
VLM-3R: Vision-Language Models Augmented with Instruction-Aligned 3D Reconstruction
把单目视频帧经几何编码器转成隐式 3D 空间 token 与相机运动 view token，再与语言模型对齐，为视觉研究者提供了一条无需外部深度传感器或预建 3D 地图即可让 VLM 获得空间与时序推理能力的可复用路径。
ActiveVLA：将主动感知注入视觉-语言-动作模型以实现精确三维机器人操作
ActiveVLA: Injecting Active Perception into Vision-Language-Action Models for Precise 3D Robotic Manipulation
把主动视角选择与三维区域放大引入 VLA 策略，为视觉研究者提供了一个可复用的思路：在精细操作中动态挑选最优视角与分辨率，而不是依赖固定的腕部相机；其多视图投影定位关键三维区域的做法也可迁移到其他需要空间聚焦的视觉任务。