AffordAny：通过视觉语言引导的几何推理，从单目 RGB 图像进行开放世界 3D 可供性定位

英文标题：AffordAny: Open-World 3D Affordance Grounding from Monocular RGB Images via Vision-Language-Guided Geometric Reasoning

AffordAny 关注开放世界 3D 可供性定位任务，即根据自由形式的语言查询，在三维空间中定位物体可执行特定功能的局部部件。论文指出，现有方法通常依赖预先构建的、以物体为中心的 3D 几何信息，以及封闭的可供性类别体系。该方法旨在借助视觉语言引导的几何推理，仅从单目 RGB 图像中处理这一问题，从而降低真实场景部署对完整 3D 资产和固定标签体系的依赖。对机器人、具身智能和视觉开发者而言，这类能力有望提升系统对未见物体及开放式自然语言指令的泛化能力。

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