Tag · 2 篇
几何编码器
分布 视觉语言模型13D 视觉与重建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。
LEADER：学习可靠局部到全局对应关系的激光雷达重定位
LEADER: Learning Reliable Local-to-Global Correspondences for LiDAR Relocalization
提出一种基于投影的几何编码器来提取多尺度几何特征，并设计截断相对可靠性损失来建模点级模糊性，可直接用于提升基于点云的回归式重定位在噪声和离群点下的鲁棒性。