Think-Capture:面向视觉语言模型空间推理的主动三维几何采集方法
针对视觉语言模型在稀疏视角下难以维持一致三维关系导致空间幻觉的问题,本文提出 Think-Capture 框架。该方法首先识别任务关键物体,随后按需获取其几何信息;利用零样本掩码升维至公共坐标系,并将物体与相机状态压缩为结构化文本符号化表示。
针对视觉语言模型在稀疏视角下难以维持一致三维关系导致空间幻觉的问题,本文提出 Think-Capture 框架。该方法首先识别任务关键物体,随后按需获取其几何信息;利用零样本掩码升维至公共坐标系,并将物体与相机状态压缩为结构化文本符号化表示。