Tag · 29 篇
空间推理
以 3D 思考：基于有限视角的几何想象驱动空间推理
Think with 3D: Geometric Imagination Grounded Spatial Reasoning from Limited Views
把 VLM 推理过程中的隐状态与 VGGT 等 3D 基础模型输出的几何潜变量对齐，使模型在无 3D 先验输入时也能进行「脑内 3D 想象」，为视觉研究者提供了一条把 3D 几何表征注入多模态推理的可复用路径。
SpatialTree：空间智能在多模态大模型中如何分支
SpatialTree: How Spatial Intelligence Branches Out in MLLMs
该论文提出的空间能力层级分类和基准测试，为评估多模态大模型的空间智能提供了系统化框架；其发现的负迁移现象和auto-think强化学习策略，对设计视觉-语言模型的空间推理训练方法有直接启发。
Spatial-SSRL：通过自监督强化学习增强空间理解
Spatial-SSRL: Enhancing Spatial Understanding via Self-Supervised Reinforcement Learning
把普通 RGB/RGB-D 图像自动转成可验证奖励的自监督 pretext 任务（打乱图像块重排、翻转识别、裁剪块修复、区域深度排序、相对 3D 位置预测），可直接用于 LVLM 的 RLVR 训练，绕开人工标注与专用工具，是提升视觉语言模型空间理解的可复用数据构造思路。
SpaceTools：通过双重交互式强化学习实现工具增强的空间推理
SpaceTools: Tool-Augmented Spatial Reasoning via Double Interactive RL
提出双阶段交互式强化学习框架，让视觉语言模型通过探索和反馈学习协调多种视觉工具（深度估计、分割、姿态估计），为视觉任务中的工具增强推理提供了可复用的训练范式。
SpaceMind：面向视觉语言模型空间推理的相机引导模态融合
SpaceMind: Camera-Guided Modality Fusion for Spatial Reasoning in Vision-Language Models
把相机表示当作主动引导模态、在语言模型前用轻量融合模块对空间 token 做相机条件化偏置与门控，这一思路可直接迁移到任何需要几何 grounding 的 RGB-only VLM 中，替代浅层特征拼接。
以多模态基础模型扩展空间智能
Scaling Spatial Intelligence with Multimodal Foundation Models
该工作系统构建了800万空间能力数据并微调多模态基础模型，为视觉研究者提供了可复用的空间智能训练数据构建范式与评测基准，同时揭示了数据缩放对空间推理泛化能力的影响。
ReasonMap：迈向基于交通地图的细粒度视觉推理
ReasonMap: Towards Fine-Grained Visual Reasoning from Transit Maps
ReasonMap 提供了一个需要细粒度视觉理解与空间推理的基准，可用于评估和诊断 MLLM 在视觉接地上的不足；其视觉掩码分析和强化微调基线为改进多模态模型的视觉推理能力提供了可复用的评测与训练思路。
PanoEnv：在 panor 全景环境中用强化学习探索 3D 空间智能
PanoEnv: Exploring 3D Spatial Intelligence in Panoramic Environments with Reinforcement Learning
针对 ERP 全景图的几何畸变与 3D 监督缺失，给出了一套可复用的方案：用带真值引导奖励的 GRPO 后训练，配合两阶段课程（先结构化任务、后开放式数据），把 3D 空间推理能力注入 VLM；做全景/全向感知或想给 VLM 补几何推理的可以直接借鉴这套奖励设计与课程安排。
掩码至关重要：释放LLM的空间推理能力用于3D场景-语言理解
Masking Matters: Unlocking the Spatial Reasoning Capabilities of LLMs for 3D Scene-Language Understanding
提出一种无需修改架构和增加参数的注意力掩码策略（3D-SLIM），用几何密度和指令感知替代因果掩码，可直接用于任何基于LLM的3D视觉-语言模型，提升空间推理能力。
LookasideVLN：方向感知的空中视觉与语言导航
LookasideVLN: Direction-Aware Aerial Vision-and-Language Navigation
将自然语言中的方向线索（如“左转”“前方”）编码为图结构，并与多模态大语言模型对齐用于路径规划，为视觉语言导航提供了一种轻量且可解释的空间推理范式。
定位、结构化与渲染：连接3D与2D视觉-语言-动作模型用于机器人操作
Localizing, Structuring, and Rendering: Bridging 3D and 2D Vision-Language-Action Models for Robotic Manipulation
将可微渲染作为连接3D几何推理与2D视觉语义的桥梁，通过生成可微图像并让2D VLA的梯度回传到3D表示，为视觉研究者提供了一种融合显式3D空间关系与图像级语义的通用手段，可借鉴到需要空间推理的视觉任务中。
保持 SymPL：面向视觉语言模型异中心空间推理的符号投影布局
Keep it SymPL: Symbolic Projective Layout for Allocentric Spatial Reasoning in Vision-Language Models
把异中心（物体中心）视角的空间问题转成符号化布局表示再交给 VLM，这个「投影+抽象+二分+定位」的重构思路可直接用于提升 VLM 在三维场景理解、多视图问答和视角变换类任务上的表现。
你的 VLM 准备好飞向天空了吗？面向无人机导航的综合空间智能基准
Is your VLM Sky-Ready? A Comprehensive Spatial Intelligence Benchmark for UAV Navigation
为视觉研究者提供了一个面向无人机视角的空间智能评测基准（13 个子类，覆盖包围框、距离、高度、降落安全等），并给出可复用的 SpatialSky-Dataset 与 Sky-VLM 训练范式，可用于诊断和提升 VLM 的细粒度空间推理能力。
InfiniBench：面向视觉空间推理的可定制场景复杂度无限基准生成
InfiniBench: Infinite Benchmarking for Visual Spatial Reasoning with Customizable Scene Complexity
InfiniBench 提供了一种可参数化控制场景复杂度的自动化基准生成方法，视觉研究者可用它系统性地评测 VLM 在测量、视角转换和时空追踪等空间推理任务上的失效模式，并借助其基于聚类的布局优化与任务感知相机轨迹优化生成高复杂度视频输入。
HiSpatial：在视觉语言模型中驯服分层 3D 空间理解
HiSpatial: Taming Hierarchical 3D Spatial Understanding in Vision-Language Models
把度量尺度点图作为辅助输入注入 VLM，并用四级递进的空间 VQA 数据（约 5M 图像、45M 物体）做监督微调，是提升视觉语言模型 3D 空间理解的一条可复用数据与输入表征路线。
听见你在哪：用视觉与空间声音教大语言模型空间推理
Hear you are: Teaching LLMs Spatial Reasoning with Vision and Spatial Sound
把双耳空间音频作为额外输入通道接入大语言模型，为视觉问答提供声源方位线索；当语义对应缺失或存在多个语义匹配时，空间对齐可作为消歧依据，这一设定可直接迁移到机器人听觉定位、视频中的声源定位与多模态推理任务。
基于视觉定位的3D感知空间视觉语言建模
Grounded 3D-Aware Spatial Vision-Language Modeling
把「生成时插入区域 token」的隐式视觉定位与区域提示的单目 3D 框预测结合，可作为 VLM 空间推理的可复用范式：在解码过程中动态引用视觉证据，并用内参感知归一化与稠密几何监督把 2D 定位升级为 3D 推断。
几何约束智能体用于空间推理
Geometrically-Constrained Agent for Spatial Reasoning
把 VLM 从「直接输出几何答案」改为「先形式化出参考系与目标约束、再在约束内调用几何工具」，这一免训练的约束式智能体范式可直接迁移到视觉空间问答、具身导航与 3D 场景理解中的几何推理管线。
GeoViS：面向遥感视觉定位的地理空间奖励视觉搜索
GeoViS: Geospatially Rewarded Visual Search for Remote Sensing Visual Grounding
把视觉定位从单步预测改成树结构逐步搜索+奖励引导的推理过程，这个「搜索-推理」范式可以直接迁移到小目标、大场景的开放词表定位任务上，尤其是需要多跳空间关系推理的场景。
G$^2$VLM：统一三维重建与空间推理的几何基础视觉语言模型
G$^2$VLM: Geometry Grounded Vision Language Model with Unified 3D Reconstruction and Spatial Reasoning
把前馈三维重建模型学到的几何特征直接接入 VLM 的表征空间，用交错推理与上下文学习让语言模型「读懂」几何特征；做空间理解或多模态三维任务的可以借鉴这种统一训练范式，用易得的多视图/视频数据替代难采集的三维标注。
从位置到功能：多模态大语言模型中的空间-功能智能基准
From Where Things Are to What They Are For: Benchmarking Spatial-Functional Intelligence in Multimodal LLMs
该基准为视觉语言模型提供了诊断空间记忆与功能推理结合能力的评测工具，可用于检验模型在具身场景下的高阶认知瓶颈，并指导融合感知、记忆与推理的模型设计。
EgoMind：通过语言推理激活多模态大语言模型的空间认知
EgoMind: Activating Spatial Cognition through Linguistic Reasoning in MLLMs
提出一种无需3D几何先验的纯语言思维链框架，通过角色扮演描述构建跨帧语言场景图，并渐进式分析空间问题，为视觉语言模型中的空间推理提供了可复用的提示与训练策略。
EagleVision：基于鸟瞰图视觉定位思维链的双阶段空间智能框架
EagleVision: A Dual-Stage Framework with BEV-grounding-based Chain-of-Thought for Spatial Intelligence
提出基于鸟瞰图（BEV）的主动视角选择与空间思维链推理框架，可复用于需要多视角几何推理的视觉语言任务，如具身导航与三维场景理解。
ENC-Bench：评估多模态大语言模型电子海图理解能力的基准
ENC-Bench: A Benchmark for Evaluating Multimodal Large Language Models in Electronic Navigational Chart Understanding
该基准揭示了MLLMs在专业符号系统（如海图矢量符号）和几何空间计算上的系统性缺陷，为视觉-语言模型在安全关键领域的符号接地与多约束推理提供了可复用的评测框架和失败模式分析。
方向感知的 3D 大型多模态模型
Direction-aware 3D Large Multimodal Models
PoseRecover 用 RGB-D 视频外参、物体视锥求交与 Z-buffer 可见性检查自动为点云基准补全自我位姿，PoseAlign 则直接变换点云坐标使其与位姿对齐——这套「把位姿注入数据而非提示词或投影层」的做法，可复用于任何需要空间/方向推理的 3D 视觉-语言任务。
CompBench：面向复杂指令引导图像编辑的基准
CompBench: Benchmarking Complex Instruction-guided Image Editing
做指令引导图像编辑的研究者可以直接用 CompBench 的细粒度指令与四维解耦（位置/外观/动态/物体）来诊断模型在复杂场景下的精确操控短板，也可借鉴其 MLLM-人工协同构建流程来造自己的评测数据。
超越 3D VQA：向视觉语言模型注入 3D 空间先验以增强几何推理
Beyond 3D VQAs: Injecting 3D Spatial Priors into Vision-Language Models for Enhanced Geometric Reasoning
把点对应与深度一致性作为深层监督信号注入 LLM 的 Transformer 各层，为提升 VLM 三维空间推理提供了一条不依赖 3D VQA 数据、可复用的训练路径；其逐层对应匹配诊断也可直接用于分析其他 VLM 的内部几何表征。
BOP-ASK：面向视觉语言模型的物体交互推理
BOP-ASK: Object-Interaction Reasoning for Vision-Language Models
利用 BOP 数据集的 6D 物体位姿自动派生抓取位姿、指代物体位姿、路径轨迹与相对空间/深度关系，为 VLM 的空间与交互推理提供可规模化、带精确几何真值的训练与评测信号；这套「从位姿标注反推问答」的流水线可直接迁移到其他需要细粒度 3D 监督的视觉-语言任务。
面向视觉语言模型空间智能的抽象3D感知
Abstract 3D Perception for Spatial Intelligence in Vision-Language Models
通过抽象边界框将3D几何结构编码给VLM，无需额外训练即可提升空间推理能力，为视觉语言模型中的3D理解提供了一种可复用的零样本增强手段。