《关注何处寻找：学习基于VLM的3D视觉定位的 influential views》

Where to Look Matters: Learning Influential Views for VLM-based 3D Visual Grounding

IVSGround 框架提出了一种用于 VLM 基于的 3D 视觉定位的影响性视图选择方法，旨在解决现有零-shot 方法依赖启发式规则而非定位相关性的问题。该框架通过训练轻量级视图选择器来识别提供判别性证据的视图，并利用两阶段拒绝采样过程结合推理 VLM 反馈生成监督信号。在推理阶段，选择器预测每个候选对象的条件化影响视图，并由冻结的推理 VLM 通过对比定位进行评估。在 ScanRefer 和 NR3D 数据集上的实验表明，IVSGround 一致地提升了现有零-shot 流程的定位精度，证明了“看哪里”对有效 3D 视觉定位至关重要。