11:29
官方账号arXiv cs.AI@Mingfei Chen, Zijun Cui, Ruoke Zhang, Hyeonggon Ryu, Eli Shlizerman
推荐理由：SceneBind 把场景的“是什么”和“在哪里”一起建模，场景和空间检索都做到了 SOTA，还能零样本搞定音视频定位。
全模态表示
共 1 条相关 AI 资讯
7月17日
11:29
SceneBind 是一种全模态表示方法，通过联合语义和 3D 空间理解来建模真实场景。它使用全局语义嵌入与对象中心语义-空间槽，显式编码对象级语义、空间属性和不确定性。SceneBind Matching 方案整合全局场景相似性与对象对齐，支持跨模态场景检索和对象定位。在场景检索和空间检索基准上达到 SOTA，并在音频-视觉定位任务上实现零样本迁移。