arXiv · 机器人与计算机视觉· Han Su, Meng Tian, Tianyu Huang, Mingyu Gao, Lennox Wei, Dongxu Li, Jianhua Han, Hang Xu, Xiaohe Wu, Wangmeng Zuo·· 2026-10-16AI 评分67
DK-VLM:以几何作为位置的视觉语言模型空间推理方法
DK-VLM: Geometry as Position for Spatial Reasoning in Vision-Language Models
AI 导读
该论文针对视觉语言模型难以理解跨视图三维空间关系及更新观察者移动后空间判断的问题,提出 DK-VLM 模型。该方法利用双核注意力机制,通过语义核保留预训练模型的固有注意力与位置编码,同时引入独立几何核,利用估计的 3D 点和相机姿态直接调制注意力;并通过学习到的门控融合两者输出。
来源:arXiv · 机器人与计算机视觉 · arxiv.org