AI 大模型
大模型数学、逻辑、规划、多步推理和测试时计算能力。
GeoReFormer：基于几何的车道线段检测与拓扑推理 refinement
机构 * University of California, Irvine（加州大学尔湾分校） ； Bosch North America（博世北美）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 GeoReFormer 提出一种统一的查询架构，通过嵌入几何和拓扑诱导偏差，提升车道线段检测和拓扑推理的精度与一致性，实现在 OpenLane-V2 上 34.5% 的 mAP 成绩。
Comments 8 pages, 6 figures
GeoTikzBridge：推动多模态代码生成在几何感知与推理中的发展
机构 * JIUTIAN Research（九天研究院）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出GeoTikzBridge框架，通过基于tikz的代码生成提升局部几何感知和视觉推理能力，利用两个互补数据集训练模型，实现多模态大语言模型在几何问题解决中的先进性能。
Comments accepted by CVPR 2026
Cog3DMap：基于3D认知地图的多视角视觉语言推理
机构 * POSTECH ； KAIST（韩国科学技术院） ； RLWRLD
专题命中 视觉空间推理 ：reasoning(title,abstract)
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
智能下放：探索小型多模态模型中感知与推理的瓶颈
机构 * Stanford University（斯坦福大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文研究小型多模态模型中感知与推理能力的瓶颈，通过分析LLM容量下降对多模态能力的影响，提出视觉提取调优方法，提升效率与性能。
Comments CVPR 2026, website at https://web.stanford.edu/~markendo/projects/downscaling_intelligence
GSMem: 3D高斯溅射作为持久空间记忆用于零样本具身探索与推理
机构 * Case Western Reserve University（凯斯西储大学） ； Spatial AI & Robotics (SAIR) Lab, University at Buffalo（布法罗大学空间人工智能与机器人实验室）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出GSMem框架，利用3D高斯溅射构建持久空间记忆，解决具身探索中空间知识遗忘问题，通过检索机制与混合探索策略提升视觉语言模型推理效果。
Comments Project page at https://vulab-ai.github.io/GSMem/
P$^{3}$Nav: 端到端感知、预测与规划用于视觉-语言导航
机构 * HKUST(GZ)（香港科技大学（广州））
专题命中 视觉空间推理 ：planning(title,abstract)
AI总结 P$^{3}$Nav提出端到端框架，整合感知、预测与规划，提升视觉-语言导航agent的场景理解与导航成功率，实验显示在REVERIE、R2R-CE和RxR-CE基准上取得新状态-of-the-art性能。
OmniVLN：面向空和地面平台的全方位3D感知与高效token LLM推理的视觉语言导航
机构 * CertaintyX ； School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电子与电气工程学院） ； Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 OmniVLN结合全方位3D感知与高效token分层推理，提升空和地面机器人在复杂环境中的视觉语言导航能力，提升空间指认准确率并减少token消耗。
Context-Nav: 基于上下文的探索与视点感知的3D空间推理用于实例导航
机构 * Department of AI Convergence（人工智能融合系）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 Context-Nav通过上下文驱动的探索和视点感知的3D空间推理，提升实例导航任务的性能，无需特定任务训练，实现最先进的结果。
Comments Accepted to CVPR 2026. Code is available at https://github.com/AutoCompSysLab/ContextNav
视觉到几何：用于连续具身MLLM推理和探索的3D空间记忆
机构 * ACTION Lab, Michigan State University（密歇根州立大学ACTION实验室） ； SAIR Lab, University at Buffalo（布法罗大学SAIR实验室）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出3DSPMR框架，利用视场覆盖作为几何先验，提升具身智能在连续任务中的记忆、推理与探索能力，并引入SEER-Bench基准测试连续具身探索与推理任务。
Comments Computer Vision
通过迭代证据细化提升视觉推理
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出SIEVE框架，利用模型内部信号直接支持图像 grounded 推理，通过强化学习指导视觉重访，提升多基准性能8%。
LatentGeo: 在潜在空间中学习可学习的辅助构造以进行多模态几何推理
机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Nankai University（南开大学） ； Communication University of China（中国传媒大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 LatentGeo通过学习潜在空间中的连续视觉表示，解决多模态几何推理中辅助构造的表示问题，采用三阶段课程和强化学习方法提升几何推理任务的性能。
GeoSense: 内化几何必要性感知以实现多模态推理
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 GeoSense通过内化几何必要性感知，提升多模态推理的鲁棒性和效率。
REALM：一种用于高斯点划法上开放世界3D推理分割和编辑的MLLM-代理框架
机构 * Hangzhou Dianzi University（杭州电子科技大学） ； Peking University（北京大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 REALM通过MLLM-代理框架实现开放世界3D推理分割和编辑，支持多种3D交互任务。
Comments CVPR 2026 Accepted
RegionReasoner: 基于区域的多轮视觉推理
机构 * University of Amsterdam（阿姆斯特丹大学） ； Anhui University（安徽大学） ； Westlake University（西湖大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 RegionReasoner通过强化学习框架，结合接地保真度和全局-局部语义对齐，提升多轮视觉推理的准确性和一致性。
Comments Accepted by ICLR 2026
SGR3模型：三维场景图检索-推理模型
机构 * Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） ； Shenzhen University（深圳大学） ； Hunan University（湖南大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 SGR3模型通过多模态大语言模型与检索增强生成技术，实现无需训练的三维场景图生成，提升场景关系推理能力。
轻量级视觉推理用于社交感知机器人
机构 * Department of Information Technology, Uppsala University（信息科技系，乌普萨拉大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本研究提出了一种轻量级视觉推理模块，用于提升社交感知机器人在复杂人机交互中的表现，通过闭环反馈机制增强机器人对动态人类行为的理解和响应能力。
Comments ICRA26
SoraNav: 通过零样本VLM推理实现适应性无人机任务导向导航
机构 * Department of Computer Science, The University of Manchester（计算机科学系，曼彻斯特大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 SoraNav通过零样本VLM推理实现无人机任务导向导航，解决空间-语义差距问题，提升导航成功率与效率。
pySpatial: 为零样本空间推理生成3D视觉程序
机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Pittsburgh（匹兹堡大学） ； University of Michigan（密歇根大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 pySpatial通过生成3D视觉程序，使大语言模型在无需微调的情况下实现零样本空间推理，并在基准测试和实际导航中表现出色。
Comments Accepted at ICLR 2026, Project Page: Our project: https://pySpatial.github.io
SSR：通过结构化场景推理推动空间智能的极限
机构 * Foundation Model Department, Huawei（华为基础模型部门）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 SSR通过结构化场景推理框架，在减少对齐成本的同时，实现了高效的空间智能，优于更大规模模型。
动作推理：利用LLM进行三维空间中的机器人动作推理以实现积木堆叠
机构 * CV4DT, CSIC, Department of Engineering, University of Cambridge（CV4DT、CSIC、工程系、剑桥大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 本文提出ActionReasoning框架，利用LLM进行三维空间中的动作推理，实现稳定积木堆叠，提升机器人操作的泛化能力。
Comments 8 pages, 5 figures, accepted by the 2026 IEEE International Conference on Robotics and Automation
保持符号投影布局：用于视觉-语言模型中以物体为中心的空间推理的符号投影布局
机构 * Kyung Hee University（庆熙大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 SymPL通过将以物体为中心的空间推理转化为符号布局形式，提升视觉-语言模型在多视角场景下的推理性能和鲁棒性。
REVEALER: 基于强化引导的视觉推理的元素级文本-图像对齐评估
机构 * Zhejiang University（浙江大学） ； Alibaba Group（阿里巴巴集团）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 REVEALER通过强化引导的视觉推理实现元素级文本-图像对齐评估，提升模型对齐判断的可解释性和效率。
ReasonNavi: 人类启发的全局地图推理用于零样本具身导航
机构 * The Hong Kong University of Science and Technology（香港科学与技术大学） ； Dartmouth College（达特茅斯学院）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 ReasonNavi通过结合多模态大语言模型与确定性规划器，实现人类启发的全局地图推理，提供无需微调的零样本具身导航解决方案。
Comments 18 pages, 6 figures, Project page: https://reasonnavi.github.io/
GeoFusionLRM: 基于几何的自我校正以实现一致的3D重建
机构 * Bilkent University（比尔肯特大学） ； Adobe Research（Adobe研究）
专题命中 视觉空间推理 ：self-correction(title,abstract)
AI总结 GeoFusionLRM通过反馈几何信息提升单图像3D重建的几何精度与一致性
RAP: 3D 像素化增强端到端规划
机构 * EPFL（苏黎世联邦理工学院） ； Sorbonne Université（索邦大学）
专题命中 视觉空间推理 ：planning(title,abstract)
AI总结 RAP通过3D像素化增强端到端规划，利用轻量级像素化和特征对齐实现可扩展的数据增强，提升闭环鲁棒性和长尾泛化能力。
从透视描述预测相机姿态用于空间推理
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 CAMCUE通过姿态感知的多图像框架，从自然语言描述中准确预测相机姿态，提升多视角空间推理效率。
GIQ：基于模拟和真实多面体的3D几何推理视觉基础模型基准测试
机构 * Rice University（里士大学） ； The University of Queensland（昆士兰大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 GIQ通过模拟和真实多面体评估视觉基础模型的3D几何推理能力，揭示了现有模型在几何理解上的不足。
Comments Accepted to ICLR 2026. Camera ready version
Ground-R1: 通过强化学习激励基于地面的视觉推理
机构 * Mohamed bin Zayed University of Artificial Intelligence（莫扎德·本·扎耶德人工智能大学） ； Peking University（北京大学） ； University of Science and Technology of China（中国科学技术大学） ； Sun Yat-sen University（中山大学）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 Ground-R1 通过 Scale Relative Policy Optimization 方法，解决 LVLM 在视觉证据 grounding 方面的偏差问题，提升推理准确性和证据 grounding 能力。
VIRAL: 通过类比在扩散变换器中实现视觉上下文推理
机构 * School of Data Science and Engineering, East China Normal University, Shanghai, China（数据科学与工程学院，东华大学，上海，中国） ； Alibaba Group, Hangzhou, China（阿里巴巴集团，杭州，中国）
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 VIRAL通过类比和扩散变换器实现视觉上下文推理，解决视觉任务异质性问题，提升开放域编辑性能。
DWIM: 向工具感知的视觉推理迈进：通过差异感知的工作流生成与指令遮蔽微调
专题命中 视觉空间推理 ：reasoning(title,abstract)
AI总结 DWIM通过差异感知的工作流生成与指令遮蔽微调，提升工具感知的视觉推理性能。
Comments ICCV 2025
Journal ref In Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV) 2025
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