跳到正文
arXiv · 机器人与计算机视觉· Yixuan Jiang, Wentong Li, An Liu, Zihao Xin, Fulin Tang, Cong Leng, Yang Gao, Jian Cheng·· 2026-10-05AI 评分58

GeoScaffold:通过重建学习紧凑几何潜变量以实现高效的视觉语言导航

GeoScaffold: Learning Compact Geometric Latents via Reconstruction for Efficient Vision-Language Navigation

AI 导读

论文提出了 GeoScaffold 框架,旨在解决流式视频大模型在视觉语言导航任务中缺乏 3D 几何先验的问题。该方法通过在训练阶段利用深度图学习紧凑的深度 tokenizer,并微调策略以少量可学习的几何查询 token 重建深度、连通性和通行性等关键几何信息,从而将几何先验内化到策略本身及骨干网络表示中。

来源:arXiv · 机器人与计算机视觉 · arxiv.org