SceneBind通过联合语义和3D空间表示,结合全局和物体中心的语义-空间槽,实现跨视觉、音频和语言的多模态场景理解,并在场景检索和零样本迁移上达到最优性能。
机构:华盛顿大学
来源:arXiv 2607.15265 | AI4Papers 论文推荐平台