几何感知压缩

Merge3D：通过联合2D-3D词元合并实现高效3D多模态大语言模型

Merge3D: Efficient 3D Multimodal LLMs via Joint 2D-3D Token Merging

提出一种几何感知的词元合并框架，利用2D注意力选择语义显著词元，并结合2D+3D混合相似度聚合空间邻域上下文，可在激进压缩下保留3D结构先验与帧间对应关系，为多视图3D场景理解中的视觉词元冗余问题提供可复用方案。