提出Loc3R-VLM框架,通过全局布局重建和显式情境建模两个联合目标,赋予2D视觉语言模型从单目视频中学习3D空间理解与视角感知推理的能力,并在语言驱动定位和3D问答任务上取得当前最优性能。
机构:Microsoft
来源:arXiv 2603.18002 | AI4Papers 论文推荐平台