CVPR 2025 | Qwen让AI「看见」三维世界，SeeGround实现零样本开放词汇3D视觉...

主要观点总结

来自香港科技大学（广州）、新加坡A*STAR研究院和新加坡国立大学的研究团队提出了一种全新的零样本3DVG框架——SeeGround，无需任何3D训练数据，仅通过2D视觉语言模型（VLM）即可实现3D物体定位。该框架解决了现有方法在视觉细节和空间推理上的不足，显著提升了3DVG任务的泛化能力。

关键观点总结

关键观点1: SeeGround框架的主要特点

无需3D训练数据，通过2D视觉语言模型实现3D物体定位；通过透视自适应模块和融合对齐模块解决空间推理和视觉细节问题，提高模型在复杂环境下的泛化能力。

关键观点2: SeeGround的组成模块

SeeGround主要由透视自适应模块（PAM）和融合对齐模块（FAM）两个关键模块组成。PAM通过动态视角选择确保VLM准确理解物体的空间关系，FAM则通过视觉提示增强技术将2D图像中的物体与3D坐标信息对齐，提升定位精度。

关键观点3: 实验与对比

作者在ScanRefer和Nr3D数据集上进行了广泛的实验，结果显示SeeGround在多个基准测试中显著超越了现有零样本方法，并在某些任务上接近弱监督甚至全监督方法的性能。

关键观点4: 课程介绍全栈指导班

全栈指导班旨在培养真正想从事计算机视觉（CV）的、具备算法工程师思维的朋友。课程内容涵盖CV的全栈内容，包括基础、代码能力、模型设计分析、目标检测、数字图像处理、部署等。课程形式为50%学员自主学习+50%的方法、能力的指导培养。