视觉与机器人
三维重建、NeRF、Gaussian Splatting、点云和空间智能。
SAGP：基于粗区域VLM推理的语义 affordance 引导抓取规划
机构 * Khalifa University（哈利法大学） ； KU Center for Autonomous Robotic Systems (KUCARS)（KU自主机器人系统中心（KUCARS））
专题命中 空间理解 ：point cloud(abstract)；分类 cs.RO
AI总结 SAGP是一种无训练的抓取规划框架，通过粗区域抽象层结合VLM推理与几何规划，在保持纯几何抓取高成功率的同时，提升了抓取的功能适用性，尤其适用于非对称带把手物体。
Comments Accepted in ICAME2026
Rad-JEPA 3D：用于三维计算机断层扫描的放射学联合嵌入预测模型
机构 * Northwestern University（西北大学） ； Technical University of Denmark（丹麦技术大学）
专题命中 空间理解 ：spatial understanding(abstract)；分类 cs.CV
AI总结 Rad-JEPA 3D是用于3D CT的自监督联合嵌入预测框架，采用混合H-Mamba编码器与HSOR正则化，在12万次CT扫描预训练后，在器官识别、空间推理等任务上达到最优性能。
推进前填充：能力差距驱动的场景专用遥感多模态大语言模型的训练后处理
专题命中 空间理解 ：spatial understanding(abstract)；分类 cs.CV
AI总结 针对地球观测应用中遥感多模态大语言模型因高质量数据稀缺和能力覆盖不完整难以实现细粒度场景专业化的问题，提出能力差距驱动的推进前填充（FBA）方法，经实验验证其效果优于其他方法，提升了模型在相关基准上的表现。
通过空间基础合成世界实现机器人的具身认知
专题命中 空间理解 ：spatial understanding(abstract)；分类 cs.RO
AI总结 提出训练视觉语言模型执行视觉视角采择的概念框架，引入合成数据集用于空间推理任务监督学习，专注推断Z轴距离，数据集公开，为具身人工智能系统空间理解奠基。
Comments Accepted to: Intelligent Autonomous Systems (IAS) 2025 as Late Breaking Report
RadSight：迈向感知可靠的多模态放射学图像理解
机构 * DAMO Academy, Alibaba Group（达摩院，阿里巴巴集团） ； Hupan Lab（湖畔实验室） ； University of Electronic Science and Technology of China（电子科技大学）
专题命中 空间理解 ：spatial understanding(abstract)；分类 cs.CV
AI总结 该研究针对医学多模态大语言模型视觉解释可靠性低的问题，引入Perception-Bench基准分析问题。提出基于双2D/3D编码器架构的RadSight模型，经渐进课程学习训练，在多维度评估中优于现有模型，凸显低级视觉感知对可靠临床理解的关键作用。
具有隐式和显式几何的3D感知视觉语言模型
机构 * Nanyang Technological University（南洋理工大学） ； DAMO Academy, Alibaba Group（阿里巴巴达摩院） ； HuPan Lab（湖畔实验室）
专题命中 空间理解 ：spatial understanding(abstract)；分类 cs.CV
AI总结 研究针对多数2D视觉输入的VLM处理3D任务困难的问题，提出VLM-IE3D框架，通过引入隐式和显式几何令牌及3D感知适配器，融合几何表示与视觉线索，在多种3D任务中表现优异。
Comments Accepted by ECCV 2026, Open Sourced
VL-KnG：从单目视频构建持久时空知识图谱以实现具身场景理解
机构 * Applied AI Institute, Moscow, Russia（莫斯科应用人工智能研究所）
专题命中 空间理解 ：3D reconstruction(abstract)；分类 cs.RO
AI总结 VL-KnG通过构建时空知识图谱实现高效具身场景理解，采用LLM驱动的时空对象关联和图增强检索，无需3D重建，支持常数时间推理，优于现有前沿VLMs。
SceneBind：跨视觉、音频和语言绑定“什么”与“哪里”
机构 * University of Washington（华盛顿大学） ； University of Texas at Dallas（德克萨斯大学达拉斯分校） ； Hankuk University of Foreign Studies（韩国外国语大学）
专题命中 空间理解 ：spatial understanding(abstract)；分类 cs.CV
AI总结 研究提出SceneBind全模态场景表示，结合全局语义与对象中心语义空间插槽解决空间结构缺失问题，还提出匹配方案。通过构建新数据集及训练协议进行训练评估，兼容预训练编码器，实现先进检索并能零样本转移到下游任务。
Comments Project website: https://scenebind.github.io/
自我在空间中：无人机具身智能中的自我意识与空间认知基准测试
机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； Hunan Normal University（湖南师范大学）
专题命中 空间理解 ：spatial understanding(abstract)；分类 cs.CV
AI总结 研究针对无人机具身智能中自我意识与空间认知问题，引入SIS - Bench基准，通过多维度层次评估，揭示现有模型局限，探索运动感知表征提升性能，强调自我意识重要性，提供新基准和实证依据。
Comments Website:https://choucisan.github.io/publications/self-in-space ; Code:https://github.com/IntelliSensing/Self-in-Space
OpenEarthAgent：一个用于工具增强地理空间代理的统一框架
机构 * Mohamed bin Zayed University of Artificial Intelligence（Mohamed bin Zayed人工智能大学） ； IBM Research（IBM研究院） ； Linköping University（林霍姆斯大学） ； Technical University Munich（慕尼黑技术大学） ； Australian National University（澳大利亚国立大学）
专题命中 空间理解 ：spatial understanding(abstract)；分类 cs.CV
AI总结 本文提出OpenEarthAgent框架，通过整合卫星影像、自然语言查询和结构化推理轨迹，实现多模态地理空间推理，提升遥感任务的执行能力与空间逻辑一致性。
Comments Accepted at the European Conference on Computer Vision (ECCV 2026)
潜在记忆宫殿：作为自回归变分推理的控制推理
机构 * University of Washington（华盛顿大学） ； Toyota Research Institute（丰田研究院）
专题命中 空间理解 ：spatial understanding(abstract)；分类 cs.RO
AI总结 研究将语言模型的推理能力应用于连续控制策略的问题，提出潜在记忆宫殿（LMP）方法，通过自回归潜在空间组织信息进行变分推理，推导强化学习技术优化下限，该方法在模拟和现实领域表现良好，还产生高性能动作分词器，为控制的潜在推理提供新视角。
通过主动空间大脑和可泛化动作小脑的人形全身 manipulation
机构 * School of Computer Science（计算机科学学院） ； Engineering, Sun Yat-sen University（工程学院，中山大学）
专题命中 空间理解 ：spatial understanding(abstract)；分类 cs.RO
AI总结 本文提出了一种通用的人形 locomotion-manipulation 框架，通过主动空间大脑和可泛化动作小脑来解决复杂3D环境中空间理解困难和动作生成泛化困难的问题，展示了在多种任务和环境中的强性能。
Comments Project page: https://leungchaos.github.io/Humanoid-Whole-Body-Manipulation-via-Active-Spatial-Brain-and-Generalizable-Action-Cerebellum/
IDEAL-Bench：用于分析3D布局推理的室内数据集和评估套件
机构 * Department of Computer Science Dartmouth College（达特茅斯学院计算机科学系）
专题命中 空间理解 ：spatial understanding(abstract)；分类 cs.CV
AI总结 介绍IDEAL-Bench评估套件，让视觉语言模型预测室内场景结构化3D布局，基于IDEAL-Scenes数据集，评估15个模型发现任务待解、模型存在不对称性及排名差异，为下一代模型空间智能评估铺路。
Comments 36 pages. Project page: https://ideal3d.github.io/
SpaceEra++: 面向视频中3D空间推理的统一框架
机构 * School of Information Science and Technology, Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）信息科学与技术学院） ； Shenzhen Loop Area Institute（深圳河套学院） ； School of Computer Science and Technology, Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）计算机科学与技术学院） ； Pengcheng Laboratory（鹏城实验室） ； School of Computer Science and Technology, Shandong Jianzhu University（山东建筑大学计算机科学与技术学院） ； Zhongguancun Academy（中关村学院） ； City University of Hong Kong（香港城市大学）
专题命中 空间理解 ：spatial understanding(abstract)；分类 cs.CV
AI总结 提出SpaceEra++框架，通过ScenePick帧采样策略缓解输入不足，并利用SpaceAlign对齐绝对坐标与相对空间关系增强推理，在多个基准上超越强基线。
Comments Accepted by IEEE TPAMI 2026
桥接3D高斯与语义占据：从无位姿图像实现开放词汇的全面场景理解
机构 * The Hong Kong Polytechnic University（香港理工大学） ； Eastern Institute of Technology（东方理工大学） ； Shanghai Jiao Tong University（上海交通大学） ； Wuhan University（武汉大学） ； Great Wall Motor（长城汽车） ； Tsinghua University（清华大学） ； Ningbo Institute of Digital Twin, Eastern Institute of Technology（东方理工大学宁波数字孪生研究院）
专题命中 空间理解 ：novel view synthesis(abstract)；分类 cs.CV
AI总结 提出COVScene框架，通过可微体积提升将可渲染高斯原语与密集语义占据场耦合，实现无位姿图像下的新颖视图合成、开放词汇语义查询和语义占据预测。
Comments Hu Zhu, Bohan Li, and Xianda Guo contributed equally. Corresponding author: Wenjun Zeng
基于双范围-体素表示的语义占用预测
机构 * School of Software Engineering, South China University of Technology（华南理工大学软件学院） ； State Key Laboratory of Optical Field Manipulation Science and Technology, Institute of Optics and Electronics, CAS（中国科学院光电技术研究所光学场操控科学与技术国家重点实验室）
专题命中 空间理解 ：point cloud(abstract)；分类 cs.CV
AI总结 提出双范围-体素表示（DRVR），利用单扫描点云的范围视图和体素视图几何信息进行3D语义占用预测，避免多扫描带来的计算和鲁棒性问题，在nuScenes-Occupancy上mIoU提升5.4%，速度提升2.1倍。
FutureNav: 面向视觉与语言导航的统一世界-动作建模
机构 * Tsinghua University（清华大学） ； Pengcheng Laboratory（鹏城实验室） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科学与技术大学（广州）） ； Xiaomi EV（小米电动车） ； National University of Singapore（新加坡国立大学）
专题命中 空间理解 ：spatial understanding(abstract)；分类 cs.RO
AI总结 提出FutureNav，一种基于VLM的统一世界-动作建模框架，通过联合优化动作策略、逆/前向动力学和未来状态预测四个目标，在4B规模骨干上实现多VLN基准的最优性能。
AirGroundBench: 异构多视角具身协作下多模态大模型的空间智能探测
机构 * Beijing University of Posts and Telecommunications（北京邮电大学） ； QiYuanLab（启元实验室） ； Tsinghua University（清华大学） ； University of Electronic Science and Technology of China（电子科技大学）
专题命中 空间理解 ：spatial understanding(abstract)；分类 cs.CV
AI总结 提出AirGroundBench基准，通过异构无人机-无人车协作的多视角任务（10类、约6.2万道视觉问答和115个导航任务），系统评估多模态大模型在空间感知、跨视角对齐、空间变换推理和具身决策中的几何一致性，发现模型在跨视角对齐和变换推理上存在瓶颈。
基于全局地图与局部视图的多视角3D推理的密集奖励
机构 * Graduate School of Artificial Intelligence, KAIST, Republic of Korea（韩国科学技术院人工智能研究生院） ； KRAFTON, Republic of Korea（韩国KRAFTON公司）
专题命中 空间理解 ：3D vision(abstract)；分类 cs.CV
AI总结 提出DR-MV3D框架，通过全局一致性奖励和局部轨迹奖励对多视角3D VQA的中间推理过程进行密集监督，提升跨视图推理一致性。
Comments ECCV 2026
视觉-语言模型是理解3D场景还是仅仅 catalogue 物体？
机构 * Deccan AI（德克南人工智能）
专题命中 空间理解 ：spatial understanding(abstract)；分类 cs.CV
AI总结 本文通过一个包含3034个样本的人工整理基准，探讨了视觉-语言模型对空间理解的深度有序遮挡、光学几何推断和体积重新安排规划能力，发现模型在重新安排可见布局时表现优异，但在遮挡和反射推断上表现较差。
Vero: 通用视觉推理的开放RL配方
机构 * Princeton University（普林斯顿大学）
专题命中 空间理解 ：spatial understanding(abstract)；分类 cs.CV
AI总结 提出Vero系列开放视觉语言模型，通过构建600K样本数据集Vero-600K和任务路由奖励，在30个基准测试中平均提升2.9-5.4点，Vero-Qwen3I-8B超越Qwen3-VL-8B-Thinking 3.8点。
Comments Project page: https://vero-reasoning.github.io/
RT-Counter：实时文本引导的开放词汇目标计数
机构 * School of Computer Science and Technology, Soochow University（苏州大学计算机科学与技术学院）
专题命中 空间理解 ：spatial understanding(abstract)；分类 cs.CV
AI总结 提出实时文本引导开放词汇计数框架RT-Counter，通过视觉原型文本化模块和编织Transformer层，在保持高精度的同时实现实时推理，在FSC147上MAE为13.30，速度达112.48 FPS。
IVRA: 通过无需训练的提示引导改善机器人动作策略的视觉-令牌关系
机构 * Stony Brook University（石溪大学） ； ETRI（电子技术研究院）
专题命中 空间理解 ：spatial understanding(abstract)；分类 cs.RO
AI总结 提出IVRA方法，利用模型内置视觉编码器的亲和力提示，无需额外编码器或重训练，在推理时调整视觉-令牌交互以增强空间理解，在多种VLA架构和任务上提升操作成功率。
Skill-3D：面向智能体3D空间推理的场景感知技能进化
机构 * Zhejiang University（浙江大学） ； University of Technology Sydney（技术悉尼大学） ； OPPO Research Institute（OPPO研究院）
专题命中 空间理解 ：spatial understanding(abstract)；分类 cs.CV
AI总结 提出Skill-3D框架，通过场景记忆和技能库的协同进化，使智能体根据场景自适应选择工具，显著提升3D空间推理中工具使用的正确性和充分性。
CoCoSI: 面向空间智能的协作认知地图构建
机构 * Shanghai Jiao Tong University（上海交通大学） ； Cornell University（康奈尔大学）
专题命中 空间理解 ：spatial understanding(abstract)；分类 cs.CV
AI总结 提出一种即插即用的多智能体框架，通过协作构建结构化认知地图作为空间记忆，无需修改架构或额外训练即可增强预训练多模态大模型的空间理解能力。
辅助推理如何释放VLM中的GUI定位能力
机构 * Zhejiang Lab（浙江实验室） ； Hangzhou Research and Development Center（杭州研发中心） ； China Mobile（中国移动） ； Innovation Center of Yangtze River Delta（长江三角洲创新中心） ； Zhejiang University（浙江大学）
专题命中 空间理解 ：spatial understanding(abstract)；分类 cs.CV
AI总结 针对VLM在GUI定位任务中隐式空间理解强但显式坐标输出弱的问题，提出三种零样本辅助推理方法（如标记网格），通过输入图像添加空间线索，显著提升定位性能，在多个基准上达到接近最优微调方法的效果。
AgroOmni：一个大规模多视角农业数据集用于跨尺度多模态推理
机构 * Sun Yat-sen University（中山大学） ； Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院） ； HuanTian Wisdom Technology Co., Ltd.（慧天智慧科技有限公司） ； China Agricultural University（中国农业大学） ； Southwest Jiaotong University（西南交通大学） ； National Supercomputing Center in Shenzhen（深圳国家超算中心） ； The Chinese University of Hong Kong（香港中文大学）
专题命中 空间理解 ：spatial understanding(abstract)；分类 cs.CV
AI总结 本文提出AgroOmni数据集，通过288K视觉问答对覆盖56个专业任务类别，解决多视角跨尺度农业多模态推理中的尺度偏差问题，提出AgroNVILA模型在AgroMind基准上达到62.32%的SOTA成绩。
文本监督增强视觉-语言模型中的地理空间表示
机构 * University of São Paulo（圣保罗大学） ； National University of Singapore（新加坡国立大学）
专题命中 空间理解 ：spatial understanding(abstract)；分类 cs.CV
AI总结 研究视觉、视觉-语言及多模态模型的地理空间表示能力，发现文本监督能有效提升空间编码，推动地理空间AI发展。
Comments Accepted at ICML 2026
SkyShield：占用作为低空无人机自主飞行的安全接口
机构 * Xiamen University（厦门大学） ； Jiangxi Academy of Sciences（江西省科学院）
专题命中 空间理解 ：spatial understanding(abstract)；分类 cs.CV
AI总结 针对低空无人机自主飞行中的三维空间理解问题，提出首个前视单目语义占用基准SkyShield、动态感知度量KAR-mIoU和几何优先基线SkyOcc，将占用作为安全接口。
GeoSem-WAM：几何与语义感知的世界动作模型
机构 * HKUST(GZ)（香港科技大学（广州）） ； HKU（香港大学） ； USTC（中国科学技术大学） ； SDU（山东大学） ； X-Humaniod
专题命中 空间理解 ：spatial understanding(abstract)；分类 cs.RO
AI总结 提出GeoSem-WAM框架，通过几何和语义监督增强潜在表示，在统一潜在空间中联合捕捉场景动态、空间几何和语义上下文，避免测试时显式未来展开或视频生成，提升动作预测准确性和鲁棒性。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈