Buchumschlag

Beyond 3D VQAs: Injecting 3D Spatial Priors into Vision-Language Models for Enhanced Geometric Reasoning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yeh, Chun-Hsiao, Qian, Shengyi, Wang, Manchen, Ma, Yi, Tighe, Joseph, Xiao, Fanyi
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

SpatialPIN: Enhancing Spatial Reasoning Capabilities of Vision-Language Models through Prompting and Interacting 3D Priors
von: Ma, Chenyang, et al.
Veröffentlicht: (2024)

Benchmarking Zero-Shot Recognition with Vision-Language Models: Challenges on Granularity and Specificity
von: Xu, Zhenlin, et al.
Veröffentlicht: (2023)

PointVLA: Injecting the 3D World into Vision-Language-Action Models
von: Li, Chengmeng, et al.
Veröffentlicht: (2025)

Spatial 3D-LLM: Exploring Spatial Awareness in 3D Vision-Language Models
von: Wang, Xiaoyan, et al.
Veröffentlicht: (2025)

Vision to Geometry: 3D Spatial Memory for Sequential Embodied MLLM Reasoning and Exploration
von: Cai, Zhongyi, et al.
Veröffentlicht: (2025)

N3D-VLM: Native 3D Grounding Enables Accurate Spatial Reasoning in Vision-Language Models
von: Wang, Yuxin, et al.
Veröffentlicht: (2025)

Seeing Beyond the Scene: Enhancing Vision-Language Models with Interactional Reasoning
von: Liang, Dayong, et al.
Veröffentlicht: (2025)

3D-MVP: 3D Multiview Pretraining for Robotic Manipulation
von: Qian, Shengyi, et al.
Veröffentlicht: (2024)

Enhancing 3D Lane Detection and Topology Reasoning with 2D Lane Priors
von: Li, Han, et al.
Veröffentlicht: (2024)

SpatialReasoner: Towards Explicit and Generalizable 3D Spatial Reasoning
von: Ma, Wufei, et al.
Veröffentlicht: (2025)

Boosting MLLM Spatial Reasoning with Geometrically Referenced 3D Scene Representations
von: Yuan, Jiangye, et al.
Veröffentlicht: (2026)

Multi-Object 3D Grounding with Dynamic Modules and Language-Informed Spatial Attention
von: Zhang, Haomeng, et al.
Veröffentlicht: (2024)

Distilling 3D Spatial Reasoning into a Lightweight Vision-Language Model with CoT
von: Asfour, Alaa, et al.
Veröffentlicht: (2026)

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

Leveraging 3D Geometric Priors in 2D Rotation Symmetry Detection
von: Seo, Ahyun, et al.
Veröffentlicht: (2025)

AnchorSplat: Feed-Forward 3D Gaussian Splatting with 3D Geometric Priors
von: Zhang, Xiaoxue, et al.
Veröffentlicht: (2026)

Unleashing Semantic and Geometric Priors for 3D Scene Completion
von: Chen, Shiyuan, et al.
Veröffentlicht: (2025)

MGP-KAD: Multimodal Geometric Priors and Kolmogorov-Arnold Decoder for Single-View 3D Reconstruction in Complex Scenes
von: Zhang, Luoxi, et al.
Veröffentlicht: (2026)

3DVLA: Enhancing Vision-Language-Action Models via 3D Spatial and Instance Understanding
von: Xia, Zhongyu, et al.
Veröffentlicht: (2026)

Grounded 3D-Aware Spatial Vision-Language Modeling
von: Cheng, An-Chieh, et al.
Veröffentlicht: (2026)

Resolving Long-Tail Ambiguity in Unsupervised 3D Point Cloud Segmentation with Language Priors
von: Wei, Siqi, et al.
Veröffentlicht: (2026)

Beyond Simple Edits: X-Planner for Complex Instruction-Based Image Editing
von: Yeh, Chun-Hsiao, et al.
Veröffentlicht: (2025)

Bridging the 2D-3D Gap: A Hierarchical Semantic-Geometric Map for Vision Language Navigation
von: Li, Kailing, et al.
Veröffentlicht: (2026)

Vision-Language Memory for Spatial Reasoning
von: Liu, Zuntao, et al.
Veröffentlicht: (2025)

3DSRBench: A Comprehensive 3D Spatial Reasoning Benchmark
von: Ma, Wufei, et al.
Veröffentlicht: (2024)

Action-Geometry Prediction with 3D Geometric Prior for Bimanual Manipulation
von: Xu, Chongyang, et al.
Veröffentlicht: (2026)

HiSpatial: Taming Hierarchical 3D Spatial Understanding in Vision-Language Models
von: Liang, Huizhi, et al.
Veröffentlicht: (2026)

3D Scene Graph Guided Vision-Language Pre-training
von: Liu, Hao, et al.
Veröffentlicht: (2024)

SpatialStack: Layered Geometry-Language Fusion for 3D VLM Spatial Reasoning
von: Zhang, Jian, et al.
Veröffentlicht: (2026)

Advancing Vision Transformer with Enhanced Spatial Priors
von: Fan, Qihang, et al.
Veröffentlicht: (2026)

Abstract 3D Perception for Spatial Intelligence in Vision-Language Models
von: Liu, Yifan, et al.
Veröffentlicht: (2025)

SURPRISE3D: A Dataset for Spatial Understanding and Reasoning in Complex 3D Scenes
von: Huang, Jiaxin, et al.
Veröffentlicht: (2025)

PanAdapter: Two-Stage Fine-Tuning with Spatial-Spectral Priors Injecting for Pansharpening
von: Wu, RuoCheng, et al.
Veröffentlicht: (2024)

VoxRep: Enhancing 3D Spatial Understanding in 2D Vision-Language Models via Voxel Representation
von: Dao, Alan, et al.
Veröffentlicht: (2025)

Think with 3D: Geometric Imagination Grounded Spatial Reasoning from Limited Views
von: Chen, Zhangquan, et al.
Veröffentlicht: (2025)

Learning to Reason in 4D: Dynamic Spatial Understanding for Vision Language Models
von: Zhou, Shengchao, et al.
Veröffentlicht: (2025)

Enhancing 2D Representation Learning with a 3D Prior
von: Aygün, Mehmet, et al.
Veröffentlicht: (2024)

Beyond Flatlands: Unlocking Spatial Intelligence by Decoupling 3D Reasoning from Numerical Regression
von: Guo, Zhongbin, et al.
Veröffentlicht: (2025)

DUSt3R: Geometric 3D Vision Made Easy
von: Wang, Shuzhe, et al.
Veröffentlicht: (2023)

On Geometric Understanding and Learned Priors in Feed-forward 3D Reconstruction Models
von: Bratulić, Jelena, et al.
Veröffentlicht: (2025)