Buchumschlag

3D-RFT: Reinforcement Fine-Tuning for Video-based 3D Scene Understanding

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Linghu, Xiongkun, Huang, Jiangyong, Jia, Baoxiong, Huang, Siyuan
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

SceneCOT: Eliciting Grounded Chain-of-Thought Reasoning in 3D Scenes
von: Linghu, Xiongkun, et al.
Veröffentlicht: (2025)

Multi-modal Situated Reasoning in 3D Scenes
von: Linghu, Xiongkun, et al.
Veröffentlicht: (2024)

An Embodied Generalist Agent in 3D World
von: Huang, Jiangyong, et al.
Veröffentlicht: (2023)

Unveiling the Mist over 3D Vision-Language Understanding: Object-centric Evaluation with Chain-of-Analysis
von: Huang, Jiangyong, et al.
Veröffentlicht: (2025)

LEO-VL: Efficient Scene Representation for Scalable 3D Vision-Language Learning
von: Huang, Jiangyong, et al.
Veröffentlicht: (2025)

Lifting Unlabeled Internet-level Data for 3D Scene Understanding
von: Chen, Yixin, et al.
Veröffentlicht: (2026)

PhyScene: Physically Interactable 3D Scene Synthesis for Embodied AI
von: Yang, Yandan, et al.
Veröffentlicht: (2024)

SceneVerse: Scaling 3D Vision-Language Learning for Grounded Scene Understanding
von: Jia, Baoxiong, et al.
Veröffentlicht: (2024)

Masked Point-Entity Contrast for Open-Vocabulary 3D Scene Understanding
von: Wang, Yan, et al.
Veröffentlicht: (2025)

Reason-RFT: Reinforcement Fine-Tuning for Visual Reasoning of Vision Language Models
von: Tan, Huajie, et al.
Veröffentlicht: (2025)

SceneWeaver: All-in-One 3D Scene Synthesis with an Extensible and Self-Reflective Agent
von: Yang, Yandan, et al.
Veröffentlicht: (2025)

MetaScenes: Towards Automated Replica Creation for Real-world 3D Scans
von: Yu, Huangyue, et al.
Veröffentlicht: (2025)

SlotLifter: Slot-guided Feature Lifting for Learning Object-centric Radiance Fields
von: Liu, Yu, et al.
Veröffentlicht: (2024)

ARFlow: Human Action-Reaction Flow Matching with Physical Guidance
von: Jiang, Wentao, et al.
Veröffentlicht: (2025)

VideoArtGS: Building Digital Twins of Articulated Objects from Monocular Video
von: Liu, Yu, et al.
Veröffentlicht: (2025)

VERIFIED: A Video Corpus Moment Retrieval Benchmark for Fine-Grained Video Understanding
von: Chen, Houlun, et al.
Veröffentlicht: (2024)

HexPlane Representation for 3D Semantic Scene Understanding
von: Chen, Zeren, et al.
Veröffentlicht: (2025)

Visual-RFT: Visual Reinforcement Fine-Tuning
von: Liu, Ziyu, et al.
Veröffentlicht: (2025)

EmbodiedOcc: Embodied 3D Occupancy Prediction for Vision-based Online Scene Understanding
von: Wu, Yuqi, et al.
Veröffentlicht: (2024)

FMGS: Foundation Model Embedded 3D Gaussian Splatting for Holistic 3D Scene Understanding
von: Zuo, Xingxing, et al.
Veröffentlicht: (2024)

DenseScan: Advancing 3D Scene Understanding with 2D Dense Annotation
von: Wang, Zirui, et al.
Veröffentlicht: (2025)

Text-Scene: A Scene-to-Language Parsing Framework for 3D Scene Understanding
von: Li, Haoyuan, et al.
Veröffentlicht: (2025)

VideoRFT: Incentivizing Video Reasoning Capability in MLLMs via Reinforced Fine-Tuning
von: Wang, Qi, et al.
Veröffentlicht: (2025)

3D-SceneDreamer: Text-Driven 3D-Consistent Scene Generation
von: Zhang, Frank, et al.
Veröffentlicht: (2024)

Learning from Videos for 3D World: Enhancing MLLMs with 3D Vision Geometry Priors
von: Zheng, Duo, et al.
Veröffentlicht: (2025)

Pose-RFT: Enhancing MLLMs for 3D Pose Generation via Hybrid Action Reinforcement Fine-Tuning
von: Li, Bao, et al.
Veröffentlicht: (2025)

Scene-LLM: Extending Language Model for 3D Visual Understanding and Reasoning
von: Fu, Rao, et al.
Veröffentlicht: (2024)

3D-Aware Vision-Language Models Fine-Tuning with Geometric Distillation
von: Lee, Seonho, et al.
Veröffentlicht: (2025)

Scene Splatter: Momentum 3D Scene Generation from Single Image with Video Diffusion Model
von: Zhang, Shengjun, et al.
Veröffentlicht: (2025)

Masked Scene Modeling: Narrowing the Gap Between Supervised and Self-Supervised Learning in 3D Scene Understanding
von: Hermosilla, Pedro, et al.
Veröffentlicht: (2025)

MVRoom: Controllable 3D Indoor Scene Generation with Multi-View Diffusion Models
von: Fang, Shaoheng, et al.
Veröffentlicht: (2025)

Compositional 4D Dynamic Scenes Understanding with Physics Priors for Video Question Answering
von: Wang, Xingrui, et al.
Veröffentlicht: (2024)

Ilov3Splat: Instance-Level Open-Vocabulary 3D Scene Understanding in Gaussian Splatting
von: Nguyen, Binh Long, et al.
Veröffentlicht: (2026)

GeoSAM-3D: Geodesic Prompt Propagation for Open-Vocabulary 3D Scene Segmentation from Monocular Video
von: Sharma, Arun
Veröffentlicht: (2026)

ARKit LabelMaker: A New Scale for Indoor 3D Scene Understanding
von: Ji, Guangda, et al.
Veröffentlicht: (2024)

Who Generated This 3D Asset? Learning Source Attribution for Generative 3D Models
von: Ma, Sihan, et al.
Veröffentlicht: (2026)

JOG3R: Towards 3D-Consistent Video Generators
von: Huang, Chun-Hao Paul, et al.
Veröffentlicht: (2025)

GaussianFormer: Scene as Gaussians for Vision-Based 3D Semantic Occupancy Prediction
von: Huang, Yuanhui, et al.
Veröffentlicht: (2024)

Geometry-Guided Reinforcement Learning for Multi-view Consistent 3D Scene Editing
von: Wang, Jiyuan, et al.
Veröffentlicht: (2026)

GSNeRF: Generalizable Semantic Neural Radiance Fields with Enhanced 3D Scene Understanding
von: Chou, Zi-Ting, et al.
Veröffentlicht: (2024)