SpatialStack

SpatialStack: 用于3D视觉语言模型空间推理的分层几何语言融合

研究人员推出SpatialStack，一个旨在增强大型视觉语言模型（VLMs）3D空间推理能力的新型框架。该方法通过在模型层级内的多个层面逐步对齐视觉、几何和语言表示来解决当前VLMs的局限性，而不是仅仅依赖于后期融合。基于该框架构建的VLM-SpatialStack模型在各种3D空间推理基准测试中展现了最先进的性能，表明其3D理解和泛化能力有所提高。