arXiv · 机器人与计算机视觉· Yongqi Shan, Yifan Wang, Yunzhi Zhuge, Lijun Wang, Huchuan Lu·· 16 天前AI 评分48
MMCoT$^3$: 首个融合 3D 文本交错多模态思维链的 3D 场景理解框架
MMCoT$^3$: Empowering 3D Scene Understanding with 3D-Text Interleaved Multi-Modal Chain-of-Thought Reasoning
AI 导读
MMCoT$^3$是首个将文本推理与任务相关 3D 证据显式交错的 3D 场景理解框架,通过歧义感知证据聚合机制解决多实例对齐问题。该方法基于包含约 176.2K 实例的 PointCoT 大规模指令微调数据集进行训练。在六个基准测试上的实验表明,该模型显著提升了性能并取得了最先进结果,有效避免了幻觉与推理错误。
来源:arXiv · 机器人与计算机视觉 · arxiv.org