VLM-IE3D：仅用RGB视频实现细粒度3D空间理解
本文介绍VLM-IE3D框架，通过融合隐式几何令牌(IGTs)和显式几何令牌(EGTs)，解决现有RGB-only VLMs缺乏细粒度3D理解的问题。实验显示在Scan2Cap、ScanRefer、3D Video Detection及VSI-Bench上均取得SOTA表现。注意：推理速度略有下降，且依赖3D几何编码器重建质量。
3D视觉
超越前沿：SCAGE利用几何异常引导3D自主探索与高保真重建
传统3D自主探索方法（如FrontierNet）往往只关注最大化空间体积覆盖率，导致轨迹效率低下且最终重建质量不足，无法捕捉精细几何细节。本文提出SCAGE框架，核心在于∆-Net网络，它基于Point Transformer V3训练，通过预测点分布偏移量来学习室内结构先验。推理时，系统计算全局归一化异常分数，聚类高异常区域并生成自适应6-DoF观察视点。实验显示，该方法在HM3D数据集上平均体积覆盖率达89.7%，Chamfer Distance仅为0.91×10⁻³，优于基线近三倍。真实世界验证表明，网络能识别训练集外未见结构的异常，证明其具备底层几何理解能力而非简单记忆。
UniPhysGen：让3D资产具备物理属性，一键生成仿真就绪模型
本文提出UniPhysGen，解决3D资产缺乏物理语义的问题。通过感知引导分解、几何感知关节接地和仿真验证，将异构网格转化为仿真就绪资产。在UniPhys-Bench上关节类型准确率达89.96%，优于现有基线。需注意极端旋转下轴推理仍有挑战，且仿真验证目前以定性为主。