视觉与机器人

3D 视觉

三维重建、NeRF、Gaussian Splatting、点云和空间智能。

2026-03-25 至 2026-03-25 共收录 3 篇信号源：cs.CV, cs.GR, cs.RO

1. 空间理解 3 篇

2512.02505 2026-03-25 cs.CV 79%

GeoDiT: A Diffusion-based Vision-Language Model for Geospatial Understanding

GeoDiT：一种基于扩散的视觉-语言模型，用于地理空间理解

Jiaqi Liu, Ronghao Fu, Haoran Liu, Lang Sun, Bo Yang

机构 * College of Computer Science and Technology, Jilin University, Changchun 130012, China（吉林大学计算机科学与技术学院，长春 130012，中国）； Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education（教育部符号计算与知识工程重点实验室）

专题命中空间理解：spatial understanding(title,abstract)；分类 cs.CV

AI总结本文提出GeoDiT，一种基于扩散的视觉-语言模型，用于地理空间理解。该模型通过并行细化过程实现整体粗到细的合成，解决了传统自回归模型在结构化输出生成中的不足。

2603.23023 2026-03-25 cs.CV 57%

Cog3DMap: Multi-View Vision-Language Reasoning with 3D Cognitive Maps

Cog3DMap：基于3D认知地图的多视角视觉语言推理

Chanyoung Gwak, Yoonwoo Jeong, Byungwoo Jeon, Hyunseok Lee, Jinwoo Shin, Minsu Cho

机构 * POSTECH ； KAIST（韩国科学技术院）； RLWRLD

专题命中空间理解：spatial understanding(abstract)；分类 cs.CV

AI总结本文提出Cog3DMap框架，通过构建显式的3D记忆，使多视角图像中的每个token都具备语义和几何信息，从而提升多模态大语言模型的空间推理能力。

Comments Project Page: https://cog3dmap.github.io

2603.22760 2026-03-25 cs.RO 57%

SG-VLA: Learning Spatially-Grounded Vision-Language-Action Models for Mobile Manipulation

SG-VLA：学习空间接地的视觉-语言-动作模型用于移动操作

Ruisen Tu, Arth Shukla, Sohyun Yoo, Xuanlin Li, Junxi Li, Jianwen Xie, Hao Su, Zhuowen Tu

机构 * UC San Diego（南加洲大学）； Lambda, Inc（Lambda公司）

专题命中空间理解：spatial understanding(abstract)；分类 cs.RO

AI总结本文提出SG-VLA模型，通过辅助任务协同训练和多模态输入增强，提升移动操作中视觉-语言-动作模型的空间感知与表征能力，实现在家庭环境中更高效的物体抓取与操作。