Tag · 3 篇

3D场景理解

VULCAN: Tool-Augmented Multi Agents for Iterative 3D Object Arrangement

把 MLLM 的 3D 操作能力从脆弱的原始代码生成转为函数级 API 调用，并引入视觉工具构成感知反馈闭环，为视觉研究者提供了一条「用工具调用弥补 MLLM 3D 视觉定位短板」的可复用范式。

Merge3D: Efficient 3D Multimodal LLMs via Joint 2D-3D Token Merging

提出一种几何感知的词元合并框架，利用2D注意力选择语义显著词元，并结合2D+3D混合相似度聚合空间邻域上下文，可在激进压缩下保留3D结构先验与帧间对应关系，为多视图3D场景理解中的视觉词元冗余问题提供可复用方案。

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。