Tag · 3 篇
鸟瞰图表示
分布 3D 视觉与重建1视觉语言模型1自动驾驶与遥感1
01 02 03
SceMoS：以几何接地词表规划的场景感知三维人体运动合成
SceMoS: Scene-Aware 3D Human Motion Synthesis by Planning with Geometry-Grounded Tokens
用 BEV 渲染图 + DINOv2 特征替代点云/体素做场景编码，并用局部高度图训练条件 VQ-VAE 分词器把表面物理嵌入离散词表——这套「2D 场景线索接地 3D 交互」的因子化思路可直接迁移到人体-场景交互、导航与具身动作生成中，显著降低场景编码参数量。
GA-VLN：面向高效视觉语言导航的几何感知鸟瞰图表示
GA-VLN: Geometry-Aware BEV Representation for Efficient Vision-Language Navigation
将RGB-D输入投影到鸟瞰图空间并融合3D基础模型先验，为MLLM提供紧凑且几何一致的空间表示，可复用于需要高效空间推理的视觉语言任务。
BEV-SLD：基于激光雷达鸟瞰图图像的自监督场景地标检测全局定位
BEV-SLD: Self-Supervised Scene Landmark Detection for Global Localization with LiDAR Bird's-Eye View Images
把 SLD 的『场景地标』思路从相机图像迁移到激光雷达 BEV 图像上，用可学习全局地标坐标与逐帧热力图的一致性损失实现自监督地标发现，可作为无需三维点云地图的轻量级全局重定位方案复用。