Buchumschlag

Are Multimodal Large Language Models Ready for Omnidirectional Spatial Reasoning?

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Dongfang, Zihao, Zheng, Xu, Weng, Ziqiao, Lyu, Yuanhuiyi, Paudel, Danda Pani, Van Gool, Luc, Yang, Kailun, Hu, Xuming
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

PANORAMA: The Rise of Omnidirectional Vision in the Embodied AI Era
von: Zheng, Xu, et al.
Veröffentlicht: (2025)

Reducing Unimodal Bias in Multi-Modal Semantic Segmentation with Multi-Scale Functional Entropy Regularization
von: Zheng, Xu, et al.
Veröffentlicht: (2025)

Retrieval Augmented Generation and Understanding in Vision: A Survey and New Outlook
von: Zheng, Xu, et al.
Veröffentlicht: (2025)

Multimodal Spatial Reasoning in the Large Model Era: A Survey and Benchmarks
von: Zheng, Xu, et al.
Veröffentlicht: (2025)

Seeing Together: Multi-Robot Cooperative Egocentric Spatial Reasoning with Multimodal Large Language Models
von: Peng, Kunyu, et al.
Veröffentlicht: (2026)

Lego: Learning to Disentangle and Invert Personalized Concepts Beyond Object Appearance in Text-to-Image Diffusion Models
von: Motamed, Saman, et al.
Veröffentlicht: (2023)

Autonomous Vehicle Controllers From End-to-End Differentiable Simulation
von: Nachkov, Asen, et al.
Veröffentlicht: (2024)

EvenNICER-SLAM: Event-based Neural Implicit Encoding SLAM
von: Chen, Shi, et al.
Veröffentlicht: (2024)

Implicit-Zoo: A Large-Scale Dataset of Neural Implicit Functions for 2D Images and 3D Scenes
von: Ma, Qi, et al.
Veröffentlicht: (2024)

Occam's LGS: An Efficient Approach for Language Gaussian Splatting
von: Cheng, Jiahuan, et al.
Veröffentlicht: (2024)

Continuous Pose for Monocular Cameras in Neural Implicit Representation
von: Ma, Qi, et al.
Veröffentlicht: (2023)

From Synchrony to Sequence: Exo-to-Ego Generation via Interpolation
von: Mahdi, Mohammad, et al.
Veröffentlicht: (2026)

Vision encoders should be image size agnostic and task driven
von: Prisadnikov, Nedyalko, et al.
Veröffentlicht: (2025)

Self-supervised pretraining for an iterative image size agnostic vision transformer
von: Prisadnikov, Nedyalko, et al.
Veröffentlicht: (2026)

A Simple and Generalist Approach for Panoptic Segmentation
von: Prisadnikov, Nedyalko, et al.
Veröffentlicht: (2024)

GaussianVLM: Scene-centric 3D Vision-Language Models using Language-aligned Gaussian Splats for Embodied Reasoning and Beyond
von: Halacheva, Anna-Maria, et al.
Veröffentlicht: (2025)

SeasonScapes: Learning Large-scale Re-lightable 3D Landscapes with Seasonal Variation from Sparse Webcams
von: Kleger, Timo, et al.
Veröffentlicht: (2026)

Inferring Compositional 4D Scenes without Ever Seeing One
von: Gokmen, Ahmet Berke, et al.
Veröffentlicht: (2025)

Taming CLIP for Fine-grained and Structured Visual Understanding of Museum Exhibits
von: Balauca, Ada-Astrid, et al.
Veröffentlicht: (2024)

RICO: Two Realistic Benchmarks and an In-Depth Analysis for Incremental Learning in Object Detection
von: Neuwirth-Trapp, Matthias, et al.
Veröffentlicht: (2025)

Incremental Object Detection with Prompt-based Methods
von: Neuwirth-Trapp, Matthias, et al.
Veröffentlicht: (2025)

EgoCross: Benchmarking Multimodal Large Language Models for Cross-Domain Egocentric Video Question Answering
von: Li, Yanjun, et al.
Veröffentlicht: (2025)

Partial CLIP is Enough: Chimera-Seg for Zero-shot Semantic Segmentation
von: Chen, Jialei, et al.
Veröffentlicht: (2025)

BiXFormer: A Robust Framework for Maximizing Modality Effectiveness in Multi-Modal Semantic Segmentation
von: Chen, Jialei, et al.
Veröffentlicht: (2025)

MultiHaystack: Benchmarking Multimodal Retrieval and Reasoning over 40K Images, Videos, and Documents
von: Xu, Dannong, et al.
Veröffentlicht: (2026)

Ternary-Type Opacity and Hybrid Odometry for RGB NeRF-SLAM
von: Lin, Junru, et al.
Veröffentlicht: (2023)

Cross-View Multi-Modal Segmentation @ Ego-Exo4D Challenges 2025
von: Fu, Yuqian, et al.
Veröffentlicht: (2025)

Benchmarking Multi-modal Semantic Segmentation under Sensor Failures: Missing and Noisy Modality Robustness
von: Liao, Chenfei, et al.
Veröffentlicht: (2025)

ProOOD: Prototype-Guided Out-of-Distribution 3D Occupancy Prediction
von: Zhang, Yuheng, et al.
Veröffentlicht: (2026)

LangHOPS: Language Grounded Hierarchical Open-Vocabulary Part Segmentation
von: Miao, Yang, et al.
Veröffentlicht: (2025)

ReVLA: Reverting Visual Domain Limitation of Robotic Foundation Models
von: Dey, Sombit, et al.
Veröffentlicht: (2024)

Autonomous Vehicle Path Planning by Searching With Differentiable Simulation
von: Nachkov, Asen, et al.
Veröffentlicht: (2025)

Unlocking Efficient Vehicle Dynamics Modeling via Analytic World Models
von: Nachkov, Asen, et al.
Veröffentlicht: (2025)

Generalist Robot Manipulation beyond Action Labeled Data
von: Spiridonov, Alexander, et al.
Veröffentlicht: (2025)

FireScope: Wildfire Risk Raster Prediction with a Chain-of-Thought Oracle
von: Markov, Mario, et al.
Veröffentlicht: (2025)

B-GRTO: Bootstrapped Group Relative Tool Optimization for Referring Segmentation
von: Markov, Mario, et al.
Veröffentlicht: (2026)

MMUnlearner: Reformulating Multimodal Machine Unlearning in the Era of Multimodal Large Language Models
von: Huo, Jiahao, et al.
Veröffentlicht: (2025)

CityLoc: 6DoF Pose Distributional Localization for Text Descriptions in Large-Scale Scenes with Gaussian Representation
von: Ma, Qi, et al.
Veröffentlicht: (2025)

Learning Generative Interactive Environments By Trained Agent Exploration
von: Kazemi, Naser, et al.
Veröffentlicht: (2024)

Rethinking Global Context in Crowd Counting
von: Sun, Guolei, et al.
Veröffentlicht: (2021)