跳到正文
arXiv · 机器人与计算机视觉· Shaoxiong Zhan, Yanlin Lai, Zheng Liu, Hai Lin, Shen Li, Xiaodong Cai, Zijian Lin, Wen Huang, Hai-Tao Zheng·· 2026-10-06AI 评分70

3ViewSense:基于正交视图的空间与心智视角推理框架

3ViewSense: Spatial and Mental Perspective Reasoning from Orthographic Views in Vision-Language Models

AI 导读

针对大语言模型具备高阶逻辑但视觉语言模型(VLM)在基础空间任务如积木计数上表现不佳的矛盾现象,该研究揭示了缺乏一致空间接口是核心瓶颈。为此提出 3ViewSense 框架,利用工程认知原理将复杂场景分解为正交投影视图,通过模拟与推理机制对齐自我中心感知与allocentric参考系,显式实现心智旋转与重建。

来源:arXiv · 机器人与计算机视觉 · arxiv.org