蒸馏 RGB 可恢复的信息：面向仅 RGB 视觉语言模型的特权 3D 证据

英文标题：Distill What RGB Can Recover: Privileged 3D Evidence for RGB-Only Vision-Language Models

该论文关注仅依赖 RGB 图像的视觉语言模型如何提升三维场景理解能力。论文指出，三维场景理解需要推理实体存在、空间布局和物体关系，但 RGB 图像往往无法提供充分的三维线索。现有 3D-VLM 通常需要在推理时输入深度或感知三维位置的信息；该工作探讨将特权 3D 证据蒸馏到仅使用 RGB 的模型中。其意义在于，有望让开发者在不依赖推理阶段深度或三维传感输入的情况下，获得更强的三维理解能力。

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