Urbex：面向城市级 3D 场景的智能体空间定位
Urbex 是一种视觉语言框架，将城市级 3D 场景中的目标定位建模为主动空间搜索，而非对预先生成的候选项进行排序。其 VLM 智能体可在交互式场景中查询地标、放大局部区域、渲染倾斜视角，并确定目标边界框。研究人员在 CityRefer 上通过强化学习优化其工具使用策略。实验显示，Urbex 在 CityRefer 的 Hit@1 和 IoU 指标上表现最佳，无需预先提供候选项即可完成定位，速度也显著快于最强的排序基线。在 STPLS3D-Refer 上的零样本结果还表明，其跨场景稳健性有所提升。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。