3D边界框估计

MonoVLM：基于视觉语言模型的单目三维视觉定位

MonoVLM: Monocular 3D Visual Grounding with Vision Language Models

把 GRPO 强化学习引入 VLM 的三阶段渐进训练，让语言模型从二维定位逐步过渡到三维结构理解与完整 3D 边界框回归，为「用 VLM 做几何感知任务」提供了一条可复用的训练范式。