意图驱动学习

HAMMER：通过跨模态集成利用多模态大语言模型实现意图驱动的 3D 可供性定位

HAMMER: Harnessing MLLMs via Cross-Modal Integration for Intention-Driven 3D Affordance Grounding

利用多模态大语言模型（MLLM）的语义推理能力，将参考图像中的交互意图编码为接触感知嵌入，并通过分层跨模态融合与多粒度几何提升实现 3D 可供性定位，为 3D 场景理解提供新思路。