让视觉语言模型搞空间推理，谷歌又整新活了

点击蓝字关注我们关注并星标从此不迷路计算机视觉研究院公众号ID｜计算机视觉研究院学习群｜扫码在主页获取加入方式论文标题：SpatialVLM: Endowing Vision-Language Models with Spatial Reasoning Capabilities论文地址：https://arxiv.org/pdf/2401.12168.pdf项目主页：https://spatial-vlm.github.io/计算机视觉研究院专栏Column of Computer Vision Institute视觉语言模型虽然强大，但缺乏空间推理能力，最近 Google 的新论文说它的 SpatialVLM 可以做，看看他们是怎么做的。视觉语言模型 (VLM) 已经在广泛的任务上取得了显著进展，包括图像描述、视觉问答 (VQA)、具身规划、动作识别等等。然而大多数视觉语言模型在空间推理方面仍然存在一些困难，比如需要理解目标在三维空间中的位置或空间关系的任务。关于这一问题，研究者们常常从「人类」身上获得启发：通过具身体验和进化发展，人类 ………………………………