arXiv Robotics· Zhiang Chen, Nahyuk Lee, Boyang Sun, Taein Kwon, Marc Pollefeys, Zuria Bauer, Sunghwan Hong·· 4 小时前AI 评分27
PROSE：用视觉语言模型实现免训练的第一人称场景配准
PROSE: Training-Free Egocentric Scene Registration with Vision-Language Models
AI 导读
PROSE 用预训练视觉语言模型同时完成场景理解与跨扫描匹配，将每段 RGB 序列提升为物体级 3D 场景图，再提示同一 VLM 匹配两段序列中的物体实例。该方法不增加学习参数，无需深度传感器、训练或标注图，在 Aria Digital Twin 和 Aria Everyday Activities 基准上配准精度超过几何与学习式场景图基线。该工作已被 CoRL 2026 接收。
来源：arXiv Robotics · arxiv.org