SpatialVLM：教视觉语言模型学会空间推理

• 阅读： 2024/1/30 17:15:09

  来自谷歌、麻省理工和斯坦福的研究团队开发了一个自动 3D 空间 VQA 数据生成框架，可在 1000 万张真实世界图像上生成 20 亿个 VQA 示例。SpatialVLM 以首个互联网规模的度量空间 3D 空间推理数据集为特色。通过在此类数据上训练 VLM，大大提高了 VLM 在定性和定量空间 VQA 方面的能力。

  论文链接：

  https://arxiv.org/abs/2401.12168

  转自：“学术头条”微信公众号

  如有侵权，请联系本站删除！

  
  

  浏览(169)

  点赞(0)

  收藏(0)