EgoAlign：无需情境描述的3D场景理解方法

2026年10月14日，arXiv Computer Vision 刊出 Yiyang Li 等人的研究，提出 EgoAlign——一种以智能体为中心坐标系表示场景的 3D 语言模型。该模型包含一个专门的自我中心对齐阶段，由四项互补任务组成：物体类别识别、自我中心方向预测、度量距离估计和空间关系预测，目的是让模型在微调前学会相对智能体姿态解读场景几何。报道称，EgoAlign 在 SQA3D、Real-3DQA 和 MSQA 上取得对比方法中最强性能；移除文本情境描述后，其下游表现相当或更好；而打乱其数值姿态则导致显著下降。上述结果与结论均来自该篇报道，尚无后续跟进报道。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。