提出VLM-IE3D框架,通过隐式几何令牌(IGTs)和显式几何令牌(EGTs)从RGB视频中学习互补的3D表示,并利用3D适配器融合2D视觉线索,在3D视频检测、3D视觉定位、3D密集描述和空间推理等任务上取得优越性能。
机构:阿里
来源:arXiv 2607.21595 | AI4Papers 论文推荐平台
AI4Papers 是一个以每日 arXiv 论文发现为入口的 AI 科研工作流平台,帮助研究者用最短时间掌握最新 AI/ML 前沿动态。
核心功能完全免费。高级 AI 功能(对比分析、深度研究、灵感工作台)支持自带兼容 API Key(如 OpenAI、通义千问)无限使用。
免费注册 | 使用教程