RL-U$^2$Net: A Dual-Branch UNet with Reinforcement Learning-Assisted Multimodal Feature Fusion for Accurate 3D Whole-Heart Segmentation
专题命中 视觉空间推理 ：planning(abstract)
AI 大模型
大模型推理能力
大模型数学、逻辑、规划、多步推理和测试时计算能力。
1. 视觉空间推理 3396 篇
Crafting Dynamic Virtual Activities with Advanced Multimodal Models
专题命中 视觉空间推理 ：reasoning(abstract)
Journal ref C. Li, Q. Yan, M. Kim, Z. Li, Y. Xu and L. -F. Yu, "Crafting Dynamic Virtual Activities with Advanced Multimodal Models," 2025 IEEE International Symposium on Mixed and Augmented Reality (ISMAR), pp. 120-130
PanoNav: Mapless Zero-Shot Object Navigation with Panoramic Scene Parsing and Dynamic Memory
专题命中 视觉空间推理 ：reasoning(abstract)
Comments Accepted as a poster in AAAI 2026
Scene-Aware Urban Design: A Human-AI Recommendation Framework Using Co-Occurrence Embeddings and Vision-Language Models
机构 * Department of Architecture（建筑系） ； Department of EECS（电子工程与计算机科学系） ； Massachusetts Institute of Technology（麻省理工学院）
专题命中 视觉空间推理 ：planning(abstract)
Comments Accepted to NEURIPS 2025 Creative AI Track
FreeInsert: Disentangled Text-Guided Object Insertion in 3D Gaussian Scene without Spatial Priors
机构 * Tianjin University（天津大学） ； University of Trento（特伦托大学）
专题命中 视觉空间推理 ：reasoning(abstract)
Comments Accepted by ACMMM2025, Our project webpage: https://tjulcx.github.io/FreeInsert/
Visual Spatial Tuning
机构 * The University of Hong Kong（香港大学） ； Tsinghua University（清华大学）
专题命中 视觉空间推理 ：reasoning(abstract)
SurgViVQA: Temporally-Grounded Video Question Answering for Surgical Scene Understanding
机构 * Dipartimento di Elettronica, Informazione e Bioingegneria (DEIB)（电子、信息与生物工程系） ； Politecnico di Milano（米兰理工大学） ； IRCCS Humanitas Research Hospital（IRCCS人类itas研究医院） ； UCL Hawkes Institute and Department of Computer Science（UCL Hawkes研究所和计算机科学系） ； University College London（伦敦大学学院） ； University of Manchester（曼彻斯特大学）
专题命中 视觉空间推理 ：reasoning(abstract)
EarthGPT-X: A Spatial MLLM for Multi-level Multi-Source Remote Sensing Imagery Understanding with Visual Prompting
机构 * School of Interdisciplinary Science, Beijing Institute of Technology（交叉科学学院，北京理工大学） ； College of Computing and Data Science, Nanyang Technological University（计算与数据科学学院，南洋理工大学） ； National Key Laboratory of Science and Technology on Space-Born Intelligent Information Processing, Beijing Institute of Technology（空间智能信息处理国家重点实验室，北京理工大学） ； School of Optics and Photonics, Beijing Institute of Technology（光学与 photonics 学院，北京理工大学） ； State Key Laboratory of Explosion Science and Safety Protection, Beijing（爆炸科学与安全防护国家重点实验室，北京）
专题命中 视觉空间推理 ：reasoning(abstract)
GeoSDF: Plane Geometry Diagram Synthesis via Signed Distance Field
机构 * Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学） ； Duke Kunshan University（杜克大学昆山分校）
专题命中 视觉空间推理 ：reasoning(abstract)
PixelRefer: A Unified Framework for Spatio-Temporal Object Referring with Arbitrary Granularity
机构 * Zhejiang University（浙江大学） ； DAMO Academy, Alibaba Group（阿里云图研究院） ； Hupan Lab（鸿篇实验室） ； The Hong Kong Polytechnic University（香港理工大学）
专题命中 视觉空间推理 ：reasoning(abstract)
Comments 22 pages, 13 figures
RoboOS-NeXT: A Unified Memory-based Framework for Lifelong, Scalable, and Robust Multi-Robot Collaboration
机构 * State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（1 多媒体信息处理国家重点实验室，计算机学院，北京大学） ； Beijing Academy of Artificial Intelligence（2 北京人工智能研究院） ； Institute of Automation, Chinese Academy of Sciences（3 中国科学院自动化研究所） ； Beihang University（4 北航大学）
专题命中 视觉空间推理 ：planning(abstract)
Vision-Language Integration for Zero-Shot Scene Understanding in Real-World Environments
专题命中 视觉空间推理 ：reasoning(abstract)
Comments Preprint under review at IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI), 2025
From Objects to Anywhere: A Holistic Benchmark for Multi-level Visual Grounding in 3D Scenes
机构 * State Key Laboratory of General Artificial Intelligence, BIGAI（通用人工智能国家重点实验室，BIGAI） ； Tsinghua University（清华大学） ； Peking University（北京大学） ； Beijing Institute of Technology（北京理工大学）
专题命中 视觉空间推理 ：reasoning(abstract)
Comments Update v3 of the NeurIPS 2025 Datasets and Benchmarks paper (v2), including additional evaluations of state-of-the-art multimodal large language models. Project page: https://anywhere-3d.github.io/
DecoDINO: 3D Human-Scene Contact Prediction with Semantic Classification
机构 * University of Amsterdam（阿姆斯特丹大学）
专题命中 视觉空间推理 ：reasoning(abstract)
Creating a customisable Socratic AI physics tutor
专题命中 视觉空间推理 ：reasoning(abstract)
Comments 7 pages, 3 figures
Journal ref Phys. Educ. 60 065037 (2025)
CMIE: Combining MLLM Insights with External Evidence for Explainable Out-of-Context Misinformation Detection
机构 * School of Information Science and Engineering, Yunnan University（云南大学信息科学与工程学院） ； National University of Singapore（新加坡国立大学） ； Engineering Research Center of Cyberspace, Yunnan University（云南大学网络空间研究院）
专题命中 视觉空间推理 ：reasoning(abstract)
Improving the performance of AI-powered Affordable Robotics for Assistive Tasks
机构 * Central Bucks High School South（中央巴克斯高中南校区）
专题命中 视觉空间推理 ：reasoning(abstract)
Comments 6 pages, 5 figures. Accepted to Conference on Robot Learning (CoRL 2025), Seoul, Korea
Towards Physics-informed Spatial Intelligence with Human Priors: An Autonomous Driving Pilot Study
机构 * Johns Hopkins University（约翰霍普金斯大学）
专题命中 视觉空间推理 ：reasoning(abstract)
Comments NeurIPS 2025 (Spotlight)
ZING-3D: Zero-shot Incremental 3D Scene Graphs via Vision-Language Models
机构 * Birla Institute of Technology and Science Pilani, K.K Birla Goa Campus（比拉理工学院和科学学院，比拉戈阿校园） ； Department of Mechanical Engineering, College of Design and Engineering, National University of Singapore（设计与工程学院机械工程系，新加坡国立大学）
专题命中 视觉空间推理 ：reasoning(abstract)
Rethinking the Simulation vs. Rendering Dichotomy: No Free Lunch in Spatial World Modelling
专题命中 视觉空间推理 ：reasoning(abstract)
Comments Accepted at NeurIPS 2025 Workshop on Space in Vision, Language, and Embodied AI
Positional Encoding Field
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Pixocial Technology（Pixocial技术）
专题命中 视觉空间推理 ：reasoning(abstract)
Comments 8 pages, 9 figures
Seeing through Uncertainty: Robust Task-Oriented Optimization in Visual Navigation
机构 * Shanghai Jiao Tong University（上海交通大学） ； School of Automation and Intelligent Sensing（自动化与智能感知学院） ； Key Laboratory of System Control and Information Processing（系统控制与信息处理重点实验室） ； Ministry of Education of China（中华人民共和国教育部） ； National Key Laboratory of Human-Machine Hybrid Augmented Intelligence（人机混合增强智能国家级重点实验室） ； Institute of Artificial Intelligence and Robotics（人工智能与机器人研究院）
专题命中 视觉空间推理 ：planning(abstract)
Enhanced Motion Forecasting with Plug-and-Play Multimodal Large Language Models
机构 * Computer and Information Sciences Department, Cornell University（康奈尔大学计算机与信息科学系） ； Waymo LLC（Waymo公司） ； UC Berkeley（伯克利大学）
专题命中 视觉空间推理 ：reasoning(abstract)
Comments In proceedings of IROS 2025
Where, Not What: Compelling Video LLMs to Learn Geometric Causality for 3D-Grounding
机构 * New York University（纽约大学）
专题命中 视觉空间推理 ：reasoning(abstract)
Immersive Explainability: Visualizing Robot Navigation Decisions through XAI Semantic Scene Projections in Virtual Reality
机构 * University of Bonn（波恩大学） ； Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔人工智能与机器学习研究所） ； Center for Robotics（机器人中心） ； University of Mainz（美因茨大学） ； Fraunhofer Institute for Intelligent Analysis and Information Systems IAIS（弗劳恩霍夫智能分析与信息系统研究所）
专题命中 视觉空间推理 ：reasoning(abstract)
VISTA: A Test-Time Self-Improving Video Generation Agent
机构 * Google（谷歌）
专题命中 视觉空间推理 ：reasoning(abstract)
MLFM: Multi-Layered Feature Maps for Richer Language Understanding in Zero-Shot Semantic Navigation
机构 * Simon Fraser University（西蒙弗雷泽大学） ； University of Padova（帕多瓦大学） ； Fondazione Bruno Kessler (FBK)（布鲁诺·克塞勒基金会） ； Alberta Machine Intelligence Institute (Amii)（阿尔伯塔人工智能研究所）
专题命中 视觉空间推理 ：reasoning(abstract)
SADCHER: Scheduling using Attention-based Dynamic Coalitions of Heterogeneous Robots in Real-Time
机构 * Department for Cognitive Robotics, ME, Delft University of Technology（认知机器人系，代尔夫特理工大学）
专题命中 视觉空间推理 ：reasoning(abstract)
Comments 7 pages, 5 figures. 2025 IEEE Int. Symposium on Multi-Robot and Multi-Agent Systems (MRS 2025). Website and Code: https://autonomousrobots.nl/paper_websites/sadcher_MRTA/
SCENEFORGE: Enhancing 3D-text alignment with Structured Scene Compositions
机构 * Department of Electronics, Information and Bioengineering（电子、信息与生物工程系）
专题命中 视觉空间推理 ：reasoning(abstract)
Comments to appear in NeurIPS 2025
What If : Understanding Motion Through Sparse Interactions
机构 * Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
专题命中 视觉空间推理 ：reasoning(abstract)
Comments Project page and code: https://compvis.github.io/flow-poke-transformer
