跳到正文
arXiv · 机器人与计算机视觉· Chris Choy, Zhiding Yu, Jan Kautz·· 9 天前AI 评分68

LocateAnyMesh:用视觉语言模型在 2D 图像中定位 3D 网格查询

LocateAnyMesh: Grounding 3D Mesh Queries in 2D Images with Vision-Language Models

AI 导读

LocateAnyMesh 是一个视觉语言模型,利用冻结的 3D 编码器将彩色表面点映射为紧凑 token 序列,并将其与图像和指令 token 结合。该模型无需渲染查询视图或进行视图模板匹配,新物体仅需单次编码即可处理,无需针对特定对象微调。

来源:arXiv · 机器人与计算机视觉 · arxiv.org