通过自我场景增强强化多模态大语言模型中的自我中心空间感知

英文标题：Reinforcing Egocentric Spatial Perception in Multimodal Large Language Models via Ego Scene Augmentation

本文介绍了一项针对多模态大语言模型（MLLM）自我中心视觉问答（VQA）任务的研究，该任务对模型在真实世界中的交互至关重要。研究发现，现有MLLM在执行有效的空间推理时存在困难。通过提出自我场景增强方法，旨在提升模型对自我中心空间关系的感知能力，这对开发更智能的具身智能体和增强现实应用具有重要意义。

2.1 KB 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB