Tag · 13 篇
开放词表
UZ3DVG：基于生成语言条件的无辅助零样本 3D 视觉定位
UZ3DVG: Unaided Zero-Shot 3D Visual Grounding with Generated Language Conditions
用 VLM 离线生成物体级空间伪标签与推理链，再蒸馏到仅吃点云的轻量 3DVG 学生网络，配合 GeoSM 对齐文本推理与 3D 几何；这条「大模型造标签 + 蒸馏 + 推理时零外部依赖」的路线可直接迁移到其他需要空间推理的 3D 任务。
超越标签的思考：基于推理增强LMM的无词表细粒度识别
Thinking Beyond Labels: Vocabulary-Free Fine-Grained Recognition using Reasoning-Augmented LMMs
利用推理增强的LMM自动生成并筛选细粒度类别名称，再实例化为轻量多模态分类器，为无词表细粒度识别提供了可复用的三阶段流程，并证明开源LMM在精心设计提示下可媲美闭源模型。
ST4R-Splat：4D 高斯泼溅中的时空指代分割
ST4R-Splat: Spatio-Temporal Referring Segmentation in 4D Gaussian Splatting
将指代分割从静态 3D 扩展到动态 4D 高斯泼溅，提出时间不变实例嵌入与实例级时序状态映射，可直接用于语言驱动的 4D 场景理解与编辑。
打开动作之门：面向开放词表动作生成的原子动作分解与重组
Open the Motion Door: Atomic Motion Decomposition and Recomposition for Open-Vocabulary Motion Generation
把开放词表文本拆成可复用的原子动作单元再重组，这一「分解-重组」思路可直接迁移到开放词表视频生成、组合式动作合成与长时序动作拼接，缓解域外文本泛化差的问题。
OnlinePG：基于三维高斯泼溅的在线开放词表全景建图
OnlinePG: Online Open-Vocabulary Panoptic Mapping with 3D Gaussian Splatting
把 3D 高斯泼溅做成在线增量式全景建图系统：滑动窗口内用几何+语义的 3D 分割聚类图融合碎片实例，再用双向二分图实例匹配把局部高斯图并入全局图，可直接复用到机器人/具身场景的实时开放词表语义地图构建。
Omni-Attribute：面向视觉概念个性化的开放词表属性编码器
Omni-Attribute: Open-vocabulary Attribute Encoder for Visual Concept Personalization
把「属性」当作可检索的开放词表嵌入来学习，用正负属性配对数据加对比解耦目标，替代通用编码器的整体嵌入；做个性化/风格迁移时可直接复用该编码器来隔离身份、光照、风格等单一因素，减少信息泄漏。
OSMO：开放词表自我情绪跟踪
OSMO: Open-vocabulary Self-eMOtion Tracking
OSIRIS 把用户个人情绪历史、当前表情与第一人称视觉观测一起作为多模态大模型的输入做时序推理，这种「历史状态 + 当前观测」的上下文建模方式可迁移到需要连续状态跟踪的视觉任务（如行为/事件跟踪、个性化助手）；OSMO 的逐被试情绪时间线标注协议也为构建连续标签的多模态数据集提供参考。
MSGNav：释放多模态 3D 场景图在零样本具身导航中的潜力
MSGNav: Unleashing the Power of Multi-modal 3D Scene Graph for Zero-Shot Embodied Navigation
用动态分配图像替代文本关系边构建多模态 3D 场景图，保留视觉证据以支持开放词表零样本导航；其关键子图选择与基于可见性的最终视点决策模块，可直接迁移到需要从 3D 场景表示中检索目标并确定可行停靠位姿的视觉任务。
HERO：面向开放词表视频时序句子定位的分层嵌入精炼
HERO: Hierarchical Embedding-Refinement for Open-Vocabulary Temporal Sentence Grounding in Videos
论文提出的开放词表时序句子定位任务和分层嵌入精炼框架，为视觉语言模型在词汇偏移下的泛化提供了可复用的评测基准和跨模态对齐方法，特别是语义引导的视觉过滤和对比掩码文本精炼技术，可直接用于视频-语言对齐任务。
FunFact：通过因子图推理构建概率功能3D场景图
FunFact: Building Probabilistic Functional 3D Scene Graphs via Factor-Graph Reasoning
将功能关系建模为因子图变量，结合LLM常识先验与几何先验进行联合概率推理，可提升开放词表场景图中关系发现的召回率与置信度校准，适用于需要场景级推理的3D理解任务。
EmbodiedSplat：面向开放词表三维场景理解的在线前馈语义 3DGS
EmbodiedSplat: Online Feed-Forward Semantic 3DGS for Open-Vocabulary 3D Scene Understanding
把 CLIP 嵌入绑定到每个 3D 高斯上，并用 3D U-Net 聚合部分点云生成几何感知的 CLIP 特征，为在线开放词表 3D 语义重建提供了可复用的「2D 语言特征 + 3D 几何先验」融合方案。
编辑即行动：面向开放词表3D室内场景编辑的目标回归规划
Edit-As-Act: Goal-Regressive Planning for Open-Vocabulary 3D Indoor Scene Editing
将自然语言指令转化为3D空间中的符号化动作序列，通过PDDL启发的动作语言显式编码支撑、接触、碰撞等几何关系，为开放词表3D场景编辑提供可解释、物理一致的规划框架，可复用于具身智能中的场景操作与交互。
ConceptPose：基于概念向量的免训练零样本物体姿态估计
ConceptPose: Training-Free Zero-Shot Object Pose Estimation using Concept Vectors
用 VLM 的显著性图构造逐点概念向量的 3D 概念图，再靠 3D-3D 对应做无训练 6DoF 相对姿态估计，为无 CAD 模型、无数据集训练的物体姿态估计提供了一条可复用的表征与匹配思路。