ScanRefer
PulseAugur coverage of ScanRefer — every cluster mentioning ScanRefer across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
OpenGround框架通过规划和在线感知增强3D视觉定位
研究人员推出OpenGround，一个专为开放世界3D视觉定位设计的新颖框架。该系统通过集成任务链规划（Task-Chain Planning）将复杂查询分解为可管理的子目标，并通过上下文引导感知（Context-Guided Perception）进行在线物体识别，从而解决了当前方法的局限性。OpenGround还包含一个名为OpenTarget的新数据集，以促进在开放世界场景下的评估。该框架表现强劲，在ScanRefer上取得了最…
-
PVCap 通过新的数据增强和网络架构增强 3D 密集字幕生成
研究人员推出了 PVCap，这是一种增强 3D 密集字幕生成的新方法。该任务侧重于为 3D 场景中的对象生成描述。该方法通过整合多样的空间布局和更强大的网络架构来解决现有技术的局限性。PVCap 利用 PseudoCap 进行数据增强，创建多样的空间排列和伪字幕标签，并使用 VoxelCapNet，这是一个基于体素特征的网络，旨在改进字幕生成。
-
PruneGround框架通过空间剪枝技术增强3D视觉定位
研究人员推出PruneGround，一个旨在通过关注3D场景中与语言相关的区域来改进3D视觉定位的新型框架。该方法利用语言引导的空间剪枝（LGSP）技术，并结合冻结的视觉语言模型（VLM）来缩小搜索空间并降低计算成本。该框架还包含多视图条件描述重构（MCDR）以简化复杂表达式，以及一个LLM-Grounder来对剪枝区域内的点云和语言数据进行对齐。实验表明，PruneGround在ScanRefer、Nr3D和Sr3D+等基准测试中取…
-
新的多智能体框架提升了零样本3D理解能力 · 跟踪2个来源
研究人员引入了一种新颖的协作式多智能体框架，用于零样本3D理解，解决了现有基于视频方法的一些局限性。该系统采用一个规划智能体来战略性地选择和补充视角，以及一个感知智能体来构建3D场景的结构化认知图。这个迭代过程，其中智能体之间相互提供反馈，显著提高了在ScanRefer、3D辅助对话和SQA3D等基准测试上的性能，取得了最先进的成果。
-
AgentGrounder 实现点云上的零样本 3D 视觉地面定位
研究人员推出 AgentGrounder，一个新颖的零样本 3D 视觉地面定位框架，直接在彩色点云上运行。该方法通过采用两阶段设计，绕过了对特定任务 3D 训练的需求：一个离线阶段用于构建对象查找表，以及一个在线代理，用于选择性地检索候选对象并执行几何评分。AgentGrounder 旨在根据自然语言描述改进 3D 场景中的对象定位，并在 ScanRefer 和 Nr3D 等基准测试中取得了有希望的结果。
-
SceneGraphGrounder 使用3D场景图进行零样本视觉定位
研究人员推出 SceneGraphGrounder，一个专为零样本3D视觉定位设计的新型框架。该方法通过将任务转化为结构化场景图匹配问题，解决了在非结构化环境中利用自然语言定位对象这一挑战。该系统从2D视图中重建3D场景图，编码空间和语义关系，然后将查询图与该场景图对齐，以实现一致且可解释的推理。在ScanRefer基准测试上的实验显示出具有竞争力的结果，并且该框架已在移动机器人上进行了现实世界应用的验证。
-
新框架MCM-VG和DEGround推动零样本3D视觉基础研究
研究人员开发了两个新框架DEGround和MCM-VG，以改进以自我为中心的3D视觉基础（ego-centric 3D visual grounding），这是具身智能的关键任务。DEGround利用一个同质化管道，在检测和基础之间共享对象表示，提高了效率和性能。MCM-VG通过建立多个一致的2D-3D映射来实现精确的定位并减少空间冗余，从而解决了零样本3D视觉基础的挑战。这两种方法在各种基准测试中都取得了最先进的结果，显著优于以前的方法。
-
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。