3D-场景布局估计

Fast SceneScript：基于多词元预测的快速准确语言驱动 3D 场景理解

Fast SceneScript: Fast and Accurate Language-Based 3D Scene Understanding via Multi-Token Prediction

对做 3D 场景理解的研究者，这篇给出了把自回归式结构化语言模型（SceneScript 类）的推理加速到每步最多 9 个词元的方案：多词元预测头 + 置信度引导的自推测解码，可直接迁移到任何以序列形式输出 3D 布局/检测框的模型上，且只增加 7.5% 参数。