大模型推理能力

Text2Villa: Hierarchical Generation of 3D Indoor Environments with Physics-Aware Analysis-by-Synthesis

Text2Villa：通过物理感知的合成分析进行3D室内环境的分层生成

Xiang Tang, Ruotong Li, Xiaopeng Fan

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 研究旨在解决从自然语言生成3D室内场景的问题，提出Text2Villa框架。宏观构建数据集微调布局生成器，微观引入A-PSSG并结合碰撞检测与语义推理，有效解决相关问题，性能优于以往方法，为下游应用提供3D内容基础。

Comments 17 pages, 12 figures, Project page: https://xdlbw.github.io/Text2Villa/

Prior-SG: Task and Prior Driven Region Segmentation for Scene Graphs in Arbitrarily-Structured Environments

Prior-SG：面向任意结构环境中场景图的任务与先验驱动区域分割

Giorgio Tonetti, Laurent Kneip, Abel Gawel, Marco Hutter

机构 * RAI Institute（RAI研究所） ； ETH Zurich（苏黎世联邦理工学院） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 提出Prior-SG框架，将场景图生成视为概率对齐问题，通过融合异构专家与拓扑先验提升任意结构环境的语义区域分割精度，实现零样本本体灵活性。

Text-Guided Refinement of Multi-sequence Glioma Subregion Segmentation with a Vision-Language Foundation Model

基于视觉语言基础模型的文本引导多序列胶质瘤亚区分割细化

Zach Eidex, Yu-nong Lin, Mojtaba Safari, Sean Pitroda, Ralph Weichselbaum, Zhen Tian, Xiaofeng Yang

机构 * Emory University School of Medicine（埃默里大学医学院） ； The University of Chicago（芝加哥大学） ； Winship Cancer Institute（温希普癌症研究所） 纠错

专题命中 视觉空间推理 ：planning(abstract)

AI总结 该研究开发基于VoxTell的轻量级框架，用3D视觉语言基础模型实现文本引导的胶质瘤亚区分割细化，在BraTS-GLI及跨数据集测试中提升了分割的DSC指标，支持作为临床医生在环工具的进一步评估。

SCD4VPR: Multi-modal Scene Change Detection for Long-term Visual Place Recognition Database Update

基于视觉-语言表示学习的场景变化检测

Diwei Sheng, Vijayraj Gohil, Satyam Gaba, Zihan Liu, Giles Hamilton-Fletcher, John-Ross Rizzo, Yongqing Liang, Chen Feng

机构 * New York University（纽约大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 本文提出LangSCD框架，通过融合语言和视觉信息提升场景变化检测的鲁棒性，引入几何-语义匹配模块和多类标注数据集NYC-CD，实验证明其在多个基准上的优越性能。

Comments 9 pages, 6 figures, 6 tables

HiSC: Hierarchical Spatial Clustering Token Compression for Efficient 3D Scene Understanding

HiSC：用于高效3D场景理解的分层空间聚类令牌压缩

Jiuhe Qu, Yingping Liang, Ying Fu

机构 * Beijing Institute of Technology（北京理工大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 本文提出无训练框架HiSC，通过SGraM策略和SCluP范式实现3D VLMs的分层空间聚类令牌压缩，在高剪枝率下实现超90%令牌减少且性能下降极小，验证了其有效性。

Comments Accepted by ACM MM 2026

LiteMVS: Efficient Multi-View Stereo with Foundation Distillation and Expert Aggregation

LiteMVS：结合基础模型蒸馏与专家聚合的高效多视图立体匹配

Tianbao Zhang, Zeyu Liu, Shuyu Wu, Fanxing Li, Zhaoxin Fan, Wenjun Wu, Danping Zou

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 LiteMVS是集成平面扫描几何推理与单目先验的轻量多视图深度模型，通过MoE和基础模型蒸馏提升重建质量与效率，在ScanNetv2等数据集上表现优异。

Comments CVPR 2026 Workshop accepted

Multimodal Plant Root Phenotyping with Integration of 3D Skeleton Extraction and Language Analysis

结合三维骨架提取与语言分析的多模态植物根表型分析

Jiakai Lin, Zijun Li, Guoyu Lu

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 该研究提出多模态机器人AI框架，结合W-LBC无监督三维骨架提取与证据优先语言建模，微调GPT实现12种植物根表型的可解释分析，建立了定量与语义结合的根表型统一分析范式。

SUV: Future Scene Understanding as Video Generation for End-to-End Driving

SUV：将未来场景理解建模为视频生成的端到端驾驶

Yibo Yuan, Jiacheng Fu, Jiangtong Zhu, Yi Li, Jianhua Han, Meng Tian, Zhuohan Liu, Zhiwei Xiong, Hang Xu, Jianwu Fang, Jianru Xue

专题命中 视觉空间推理 ：planning(abstract)

AI总结 SUV是将未来场景理解建模为视频生成的端到端驾驶框架，其在NAVSIM-v2和WOD-E2E基准上优于近期SOTA方法，实现了更优的轨迹规划性能。

Comments 16 pages, 5 figures. Code: https://github.com/ASH-2046/SUV

Global Graph-Validated Optimization for VLM-based 3D Indoor Scene Generation

基于全局图验证的VLM驱动3D室内场景生成优化

Jialu Huang, Yingxuan You, Fei Wang, Zheng Dang

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 该研究针对VLM驱动3D室内布局生成中全局一致性与物理可行性不足的问题，提出结合GSV与GPFS的混合策略，实现了该任务的当前最优性能。

Comments 15 pages, 8 figures

SIPTraj: Map-Free End-to-End Trajectory Prediction via Physics-Guided Scene Interaction

SIPTraj：无高精地图的物理引导场景交互端到端轨迹预测

Feifei Liu, Zejun Wei, Haozhe Wang, Yazhi Ye, Yuying Zhang, Jintao Cheng, Chi Man Vong, Xieyuanli Chen, Xiaoyu Tang

机构 * School of Data Science and Engineering, Xingzhi College, South China Normal University（华南师范大学行知学院数据科学与工程学院） ； Hong Kong University of Science and Technology（香港科技大学） ； University of Macau（澳门大学） ； College of Intelligence Science and Technology, National University of Defense Technology（国防科技大学智能科学学院） ； School of Electronic Science and Engineering, South China Normal University（华南师范大学电子科学与工程学院） 纠错

专题命中 视觉空间推理 ：planning(abstract)

AI总结 SIPTraj是一种无高精地图的端到端轨迹预测框架，通过分层智能体-场景编码器和物理引导迭代解码器解决场景锚定与物理可行性问题，在两个数据集上性能优于现有方法，推理无需高精地图。

Assistant Placement Aria: A Benchmark for Egocentric Placement Assistance

助手放置基准Aria：面向以自我为中心的放置辅助任务的基准

Amir Belder, Gonçalo Dias Pais, Refael Vivanti, Omri Carmi, Daniel DeTone, Oren Shrout, Ido Gattegno, Ayellet Tal

机构 * Reality Labs, Meta inc.（Meta公司现实实验室） ； Technion, institute of technology（以色列理工学院） ； Sensei 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 本文提出首个虚拟放置基准Assistant Placement Aria，涵盖三类以人为中心的放置任务，在基准上评估了多个基础模型，推动虚拟放置领域研究。

SpatialAfford: Teaching Compact VLMs Where to Look and Where to Ground for Affordance

SpatialAfford：教紧凑视觉语言模型（VLMs）关注何处与定位何处以实现 affordance

Yufei Zhang, Chenlu Zhan, Donghui Sun, Xiaoxin Chen, Hongwei Wang

机构 * Zhejiang University（浙江大学） ； Vivo Mobile Communication Co., Ltd（维沃移动通信有限公司） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 SpatialAfford 是一个两阶段框架，通过空间注意力对齐和空间感知 GRPO，使紧凑 4B VLMs 在多个基准上的 affordance 定位性能优于更强的 7B+ 基线模型。

Distill What RGB Can Recover: Privileged 3D Evidence for RGB-Only Vision-Language Models

蒸馏RGB可恢复的内容：面向仅RGB视觉-语言模型的特权3D证据

Yanbin Hu, Jin Cui, Jun Ye, Jiepeng Zhou, Jiangcheng Song, Boran Zhao, Pengju Ren

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 本研究提出特权3D证据蒸馏框架，将训练时的3D证据转化为仅RGB视觉-语言模型的空间推理能力，使仅RGB学生模型在11项指标上均优于基线，验证了该方法的有效性。

Embodied Agents Take Control: Minimal-Interface Zero-Shot Agents Rival Industrial-Scale Policies in Vision-and-Language Navigation

具身智能体自主掌控：最小接口零样本智能体在视觉语言导航中可媲美工业级策略

Jian Zhou, Xunyi Zhao, Gengze Zhou, Zerui Li, Sihao Lin, Jiajun Liu, Qi Wu

机构 * Australian Institute for Machine Learning（澳大利亚机器学习研究所） ； Adelaide University（阿德莱德大学） ； Responsible AI Research Centre（负责任人工智能研究中心） ； CSIRO Data61（联邦科学与工业研究组织数据61中心） ； The University of Queensland（昆士兰大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 本研究提出智能具身控制，以零样本导航为测试平台，评估三种智能体框架，发现最小接口下部分框架可媲美工业级策略，同时揭示模型、框架与接口对具身智能体的互补作用。

GenerativeMPC: VLM-RAG-guided Whole-Body MPC with Virtual Impedance for Bimanual Mobile Manipulation

GenerativeMPC：基于VLM-RAG的全身体姿MPC与虚拟阻抗的双臂移动 manipulation

Marcelino Julio Fernando, Miguel Altamirano Cabrera, Jeffrin Sam, Yara Mahmoud, Konstantin Gubernatorov, Dzmitry Tsetserukou

机构 * Intelligent Space Robotics Laboratory（智能空间机器人实验室） ； Skolkovo Institute of Science and Technology（斯克尔科沃科学与技术研究所） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 本文提出GenerativeMPC框架，通过VLM-RAG将语义理解与物理控制参数结合，实现双臂移动 manipulation的高效安全控制，实验表明在近人区域速度降低60%并实现安全社交导航。

Comments 6 pages, 7 figures

Structured Observation Language for Efficient and Generalizable Vision-Language Navigation

结构化观察语言用于高效且通用的视觉-语言导航

Daojie Peng, Fulong Ma, Jun Ma

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 本文提出SOL-Nav框架，通过将视觉观察转化为结构化语言描述，提升视觉-语言导航的效率和泛化能力，实验表明其在减少模型规模和训练数据依赖方面表现优异。

PatchAlign3D: Local Feature Alignment for Dense 3D Shape Understanding

PatchAlign3D: 本地特征对齐用于密集3D形状理解

Souhail Hadgi, Bingchen Gong, Ramana Sundararaman, Emery Pierson, Lei Li, Peter Wonka, Maks Ovsjanikov

机构 * École polytechnique（巴黎政治学院） ； University of Virginia（弗吉尼亚大学） ； KAUST（王国立阿联酋科技大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 PatchAlign3D通过点云直接生成语言对齐的片段特征，实现高效零样本3D部分分割，优于传统渲染方法。

Comments CVPR 2026. Project website: https://souhail-hadgi.github.io/patchalign3dsite/

HAM-VLN: Harnessing Hierarchical Agentic Memory for Zero-Shot Vision-and-Language Navigation

HAM-VLN：利用分层智能体记忆实现零样本视觉与语言导航

An Liu, Bingxi Liu, Hongyu Ding, Yixuan Jiang, Yaran Chen, Fulin Tang, Cong Leng, Hong Zhang, Jian Cheng

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 本研究提出HAM-VLN零样本VLN方法，通过分层智能体记忆缓解长程导航的记忆与推理瓶颈，提升导航指标并缩短上下文长度，在多个基准数据集上取得优异零样本性能。

SpatialQ: Understanding 3D Gaussian Splatting Scene Quality via Visual-based MLLM

SpatialQ：基于视觉的多模态大语言模型（MLLM）理解3D Gaussian Splatting场景质量

Jingxuan Su, Shenglin Wang, Tiesong Zhao, Ge Li, Wei Gao

机构 * Peking University（北京大学） ； Peng Cheng Laboratory（鹏城实验室） ； Fuzhou University（福州大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 针对3DGS场景质量评估的局限，本文提出SpatialQ框架，通过VGGT编码器与Qwen-MLLM实现结构感知的多模态质量评估，解决传统IQA仅依赖2D线索的问题。

Rad-JEPA 3D: Radiology Joint-Embedding Predictive Model for 3D Computed Tomography

Rad-JEPA 3D：用于三维计算机断层扫描的放射学联合嵌入预测模型

Quoc-Huy Trinh, Minh-Van Nguyen, Ulas Bagci

机构 * Northwestern University（西北大学） ； Technical University of Denmark（丹麦技术大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 Rad-JEPA 3D是用于3D CT的自监督联合嵌入预测框架，采用混合H-Mamba编码器与HSOR正则化，在12万次CT扫描预训练后，在器官识别、空间推理等任务上达到最优性能。

Semantic Evidence Regulation via Relational Bias for Zero-Shot Object Navigation

通过关系归纳偏差重新思考具身导航

Weitao An, Chenghao Xu, Xu Yang, Cheng Deng

机构 * School of Electronic Engineering, Xidian University（西安电子科技大学电子工程学院） ； School of Information Science and Engineering, Hohai University（河海大学信息科学与工程学院） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 提出DB-Nav框架，利用激活偏置和抑制偏置双关系偏置重塑搜索空间，通过关系激活-抑制探索图调节前沿探索，显著提升目标导航成功率和路径效率。

AuthentiCity: A Multi-Source Provenance-Aware Knowledge Graph and Benchmark for 3D City Models

真实性：用于3D城市模型的多源溯源感知知识图谱及基准测试

Huynh Duc An Son Nguyen, Lukas Arzoumanidis, Youness Dehbi

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 研究针对城市数字孪生多源数据整合难题，提出多源溯源感知的3D城市知识图谱AuthentiCity，整合多城市多类型数据。引入两个基准测试系列，通过自然语言到查询翻译及图表示学习评估，展示其在多任务中的优势，为相关研究提供数据及测试支持。

DSCD-Nav: Dual-Stance Cooperative Debate for Object Navigation

DSCD-Nav: 双视角协作辩论用于物体导航

Weitao An, Qi Liu, Chenghao Xu, Jiayi Chai, Xu Yang, Kun Wei, Cheng Deng

机构 * School of Electronic Engineering, Xidian University, Xi' an 710071, China.（西安电子科技大学电子工程学院） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 DSCD-Nav通过双视角协作辩论机制提升机器人在部分可观测环境中的导航可靠性与效率。

FARM: Find Anything using Relational Spatial Memory

FARM: 使用关系空间记忆找到任何物体

Siming He, Leo Huang, Adam Lilja, Fabio Huebel, Jonas Frey, Marco Pavone, S. Shankar Sastry, Jitendra Malik, Claire Tomlin

机构 * UC Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 提出FARM系统，通过实时构建包含几何、视觉语言描述和视角证据的开放词汇物体级记忆，并利用VLM解析查询和显式空间约束，在44k语言查询中Recall@5和Recall@10分别提升164%和224%，Accuracy@1提升35%。

When Sinks Help or Hurt: Unified Framework for Attention Sink in Large Vision-Language Models

当汇点帮助或伤害：面向大视觉-语言模型的注意力汇点统一框架

Jiho Choi, Jaemin Kim, Sanghwan Kim, Seunghoon Hong, Jin-Hwi Park

机构 * KAIST（韩国科学技术院） ； Chung-Ang University（中央大学） ； Technical University of Munich（慕尼黑工业大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 本文研究了大视觉-语言模型中注意力汇点的影响，提出统一框架分析其作为冗余 artifacts 或全局先验的作用，并通过 Layer-wise Sink Gating 模块平衡全局推理与局部证据。

Comments Acknowledgments updated

HiMemVLN: Enhancing Reliability of Open-Source Zero-Shot Vision-and-Language Navigation with Hierarchical Memory System

HiMemVLN：通过分层记忆系统增强开源零样本视觉-语言导航的可靠性

Kailin Lyu, Kangyi Wu, Pengna Li, Xiuyu Hu, Qingyi Si, Cui Miao, Ning Yang, Zihang Wang, Long Xiao, Lianyu Hu, Jingyuan Sun, Ce Hao

专题命中 视觉空间推理 ：CoT(abstract)

AI总结 本文提出HiMemVLN，通过分层记忆系统提升开源零样本视觉-语言导航的可靠性，解决导航遗忘问题，实现实验环境下的性能提升。

Comments 9 pages, 7 figures

UAV-ON: A Benchmark for Open-World Object Goal Navigation with Aerial Agents

UAV-ON：用于空中智能体的开放世界目标导航基准测试

Jianqiang Xiao, Yuexuan Sun, Yixin Shao, Boxi Gan, Rongqiang Liu, Yanjin Wu, Weili Guan, Xiang Deng

机构 * Harbin Institute of Technology（哈尔滨工业大学） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 介绍用于空中智能体开放世界目标导航的UAV-ON基准测试，含14个环境及1270个目标对象，通过实例级指令编码。实现多种基线方法评估，结果凸显空中导航和语义目标基础的复合挑战，推动复杂环境下无人机可扩展自主性研究。

Comments Accepted to ACM MM 2025

Geometric 2D Scene Graph Generation

几何二维场景图生成

Christoph Jahn, Urs Waldmann, Bastian Goldluecke

机构 * Mercedes-Benz AG（梅赛德斯-奔驰股份公司） ； Department of Computer and Information Science, University of Konstanz（康斯坦茨大学计算机与信息科学系） 纠错

专题命中 视觉空间推理 ：planning(abstract)

AI总结 针对消费品生产及机器人装配中部件装配关系表示问题，提出不依赖语义数据、可处理小数据集的方法。利用Faster R-CNN输出经处理生成邻接矩阵，输入基于aGCN架构的暹罗网络表征连接，在玩具模型部件数据集上验证了该方法。

Comments Accepted at the 18th International Conference on Agents and Artificial Intelligence ICAART 2026, Marbella, Spain

Journal ref Jahn, C., Waldmann, U. and Goldluecke, B. (2026). Geometric 2D Scene Graph Generation. In Proceedings of the 18th International Conference on Agents and Artificial Intelligence - ICAART 2026

GeoThreat: Transferable Targeted Adversarial Attacks on Large Vision-Language Models for Remote Sensing Image Interpretation

GeoThreat：用于遥感图像解释的大型视觉语言模型的可转移目标对抗攻击

Yimin Fu, Yuefeng Bai, Baicheng Pan, Zhunga Liu, Michael K. Ng

机构 * Department of Mathematics, Hong Kong Baptist University（香港浸会大学数学系） ； School of Automation, Northwestern Polytechnical University（西北工业大学自动化学院） 纠错

专题命中 视觉空间推理 ：reasoning(abstract)

AI总结 研究针对大型视觉语言模型在遥感图像解释中的对抗攻击问题，提出GeoThreat方法，通过在概念和感知层面调制对抗表示，结合对抗目标相似性梯度等技术，实现可转移目标对抗攻击，实验证明该方法在可转移性和可控性上具有优越性。

Comments The code will be released at https://github.com/fuyimin96/GeoThreat upon acceptance

ZONDA: Zero-shot Object Navigation with Dynamic Avoidance in Multi-floor Environments

ZONDA：多楼层环境中具有动态避障功能的零样本目标导航

Shaomin Liang, Xuanhong Liao, Shiyao Zhang

机构 * Southern University of Science and Technology（南方科技大学） ； Guangdong Direct Drive Technology Limited（广东直驱技术有限公司） ； South China University of Technology（华南理工大学） ； Great Bay University（大湾区大学） 纠错

专题命中 视觉空间推理 ：planning(abstract)

AI总结 研究针对目标导航任务中现有方法局限，提出ZONDA框架，集成启发式多楼层规划、多视图目标验证、动态行人避障三个核心组件，通过真实机器人及模拟测试取得显著改进结果，在动态基准测试中表现优于现有基线。