跳到正文
arXiv · 机器人与计算机视觉· Chaoyu Li, Arka Sadhu, Yuliang Li, Hyo Jin Kim, Yuning Chai, Pooyan Fazli·· 2026-10-19精选AI 评分83

EgoP$^{2}$C:一种用于第一人称视频空间推理的内化计划 - 感知 - 合成框架

EgoP$^{2}$C: Internalizing Plan-Perceive-Compose for Spatial Reasoning in Egocentric Video

AI 导读

该论文提出 EgoP$^{2}$C 框架,旨在解决现有视觉语言模型在处理第一人称视频复杂空间推理任务时证据获取与多步组合困难的问题。研究通过训练专用的规划与感知教师模型,并在混合专家学生模型中进行监督微调,实现了无需外部工具的内化自适应工作流。

推荐理由

该工作提出将规划、感知与合成流程内化于单一 VLM 的框架,在三个基准测试中显著优于基线模型并降低推理算力。

来源:arXiv · 机器人与计算机视觉 · arxiv.org