3D 视觉

D3D-VLP: Dynamic 3D Vision-Language-Planning Model for Embodied Grounding and Navigation

D3D-VLP：动态3D视觉-语言-规划模型用于具身接地与导航

Zihan Wang, Seungjun Lee, Guangzhao Dai, Gim Hee Lee

机构 * School of Computing, National University of Singapore（新加坡国立大学计算机学院） ； Nanjing University of Science and Technology（南京理工大学） 纠错

专题命中 空间理解 ：3D vision(title,abstract)；分类 cs.CV、cs.RO

AI总结 D3D-VLP通过动态3D链式思维和协同学习策略，实现具身接地与导航的高效统一，提升多任务导航性能。

Lemon: A Unified and Scalable 3D Multimodal Model for Universal Spatial Understanding

Lemon：一种统一且可扩展的3D多模态模型用于通用空间理解

Yongyuan Liang, Xiyao Wang, Yuanchen Ju, Jianwei Yang, Furong Huang

机构 * University of Maryland, College Park（马里兰大学学院公园分校） ； University of California, Berkeley（加州大学伯克利分校） 纠错

专题命中 空间理解 ：spatial understanding(title)；point cloud(abstract)；分类 cs.CV

AI总结 Lemon提出一种统一的Transformer架构，通过联合处理3D点云块和语言标记，实现空间-语言融合，提升3D多模态模型的可扩展性和性能。

How PARTs assemble into wholes: Learning the relative composition of images

如何将PART组合成整体：学习图像的相对组成

Melika Ayoughi, Samira Abnar, Chen Huang, Chris Sandino, Sayeri Lala, Eeshan Gunesh Dhekane, Dan Busbridge, Shuangfei Zhai, Vimal Thilak, Josh Susskind, Pascal Mettes, Paul Groth, Hanlin Goh

机构 * University of Amsterdam（阿姆斯特丹大学） ； Apple（苹果公司） 纠错

专题命中 空间理解 ：spatial understanding(abstract)；分类 cs.CV

AI总结 PART通过连续相对变换学习图像的相对组成，优于基于网格的方法，在空间理解任务中表现更优。