Tag · 4 篇
3D基础模型
分布 视觉语言模型2高效模型与推理加速1图像编辑与可控生成1
01 02 03 04
VGGDrive：为自动驾驶赋予视觉语言模型跨视角几何定位能力
VGGDrive: Empowering Vision-Language Models with Cross-View Geometric Grounding for Autonomous Driving
将冻结的3D基础模型的跨视角几何特征通过分层自适应注入机制融入VLM的2D视觉特征，为视觉语言模型提供可复用的3D几何感知增强方案。
挖掘属性子空间以实现3D基础模型的高效微调
Mining Attribute Subspaces for Efficient Fine-tuning of 3D Foundation Models
提出通过合成数据挖掘与不同变化类型（纹理、几何、相机运动、光照）关联的低秩适配子空间，并整合为更紧凑的子空间用于高效微调3D基础模型，为视觉领域提供了一种可复用的参数高效微调策略。
LaRP：基于潜在重投影先验的高效多视角图像修复
LaRP: Efficient Multi-View Inpainting with Latent Reprojection Priors
利用3D基础模型提供的显式跨视角对应关系作为扩散修复模型的条件，实现高效且3D一致的多视角图像修复，可复用于需要多视角一致性的生成任务。
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。