ScanQA
PulseAugur coverage of ScanQA — every cluster mentioning ScanQA across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新框架增强LLM从稀疏输入进行3D空间推理的能力
研究人员开发了SpaR3D-MoE，一个新颖的框架，旨在仅使用稀疏的RGB输入来增强多模态大语言模型（MLLMs）的3D空间推理能力。该系统采用自适应时空流形采样机制来创建一个几何感知的图，在减少冗余的同时保持场景连通性。此外，一个融合几何归纳的专家混合模型（Mixture-of-Experts）以及一个指令-姿态感知路由器，能够自适应地将多模态令牌导向专门的专家，从而解决跨模态冲突。在VSI-Bench、ScanQA和SQA3D等基…
-
新方法剪枝Token以实现高效3D问答
研究人员开发了一种新颖的在线Token剪枝方法，旨在提高多模态大语言模型（MLLMs）在3D问答任务中的效率。该方法将输入帧投影到共享的体素空间，识别并剪枝空间重叠的区域，以在图像Token进入语言模型之前减少冗余。该方法无需额外训练，可将Token使用量减少高达50%，并在应用于Qwen2.5-VL-7B和Qwen3-VL-8B等模型后，在ScanQA、SQA3D和OpenEQA-HM3D等基准测试中表现出性能提升。
-
Chat-Scene++ 通过富含上下文的对象识别推进了 3D LLM 的场景理解
研究人员推出 Chat-Scene++，一个旨在增强多模态大语言模型 (MLLMs) 进行 3D 场景理解的新框架。该方法将 3D 场景构建为对象序列，并融入上下文语义以改进对象识别和推理。Chat-Scene++ 使用 3D 和 2D 编码器提取丰富的对象特征，从而实现有依据的链式思考推理。该框架在五个主要的 3D 视觉-语言基准测试中取得了最先进的成果，并且仅使用 2D 输入即可运行。