arXiv发布DK-VLM提升空间推理能力

发生了什么

据arXiv cs.CV论文，DK-VLM通过双核注意力机制提升视觉语言模型的空间推理能力。该模型结合语义内核与几何内核，利用估计的3D点和相机姿态直接调制注意力。在VSI-Bench上得分74.33，ReVSI-32上得分58.28，在六个空间基准测试中平均得分最高。引入参考帧组合监督进一步改善了多步空间推理能力。