3D-目标识别

逐 token 对齐文本、图像与三维结构

Aligning Text, Images and 3D Structure Token-by-Token

把结构化 3D 场景当作一种可 tokenize 的模态，用统一的 LLM 自回归建模语言、图像与 3D 场景，为单图重建完整 3D 场景和 3D 目标识别提供了可复用的 tokenizer 与训练配方。