SceneBind

SceneBind提出了一种结合全局语义嵌入和对象中心语义-空间槽的通用模态场景表示方法。通过显式建模3D空间属性，解决了现有模型缺乏显式空间结构的问题。实验显示，SceneBind在跨模态场景检索（V↔T R@1: 65.3）和对象级空间检索（Spatial mAP: 48.0）上显著优于ImageBind和M2D-SigLIP2*。该方法依赖真实世界空间对齐的多模态数据，且对象槽数量需根据任务调整。