RGB-D-视觉语言模型

HiSpatial：在视觉语言模型中驯服分层 3D 空间理解

HiSpatial: Taming Hierarchical 3D Spatial Understanding in Vision-Language Models

把度量尺度点图作为辅助输入注入 VLM，并用四级递进的空间 VQA 数据（约 5M 图像、45M 物体）做监督微调，是提升视觉语言模型 3D 空间理解的一条可复用数据与输入表征路线。