arXiv cs.CL· Duc Cao Dinh, Khai Le-Duc, Florent Draye, Chris Ngo, Terry Jingchen Zhang, Bernhard Sch\"olkopf, Zhijing Jin·· 11 小时前AI 评分20
PruneGround：面向 3D 视觉定位的即插即用空间剪枝框架
PruneGround: Plug-and-play Spatial Pruning for 3D Visual Grounding
AI 导读
PruneGround 是一个即插即用的 3D 视觉定位框架，先用冻结的 VLM 做语言引导空间剪枝（LGSP）缩小搜索区域，再通过多视角描述重构（MCDR）补全空间线索，并用 LLM-Grounder 将检测预训练空间 LLM 转为语言条件定位模型。在三个主流点云基准上，该方法在全部 ScanRefer 设置和 10 个 Nr3D/Sr3D 设置中的 9 个取得 SOTA，代码与模型已公开。
正文 · AI 翻译
摘要：3D 视觉定位（3DVG）旨在根据自然语言描述在 3D 场景中定位目标物体。现有方法通常对整个场景进行推理，导致预测模糊且计算成本高，尤其是在杂乱环境中。我们观察到，许多指代表达依赖于局部空间上下文，并且往往对应受限的空间区域而非整个场景。受此启发，我们提出了 PruneGround，一个基于三个关键组件的有效即插即用 3DVG 框架。首先，我们引入语言引导空间剪枝（LGSP），它利用冻结的视觉语言模型（VLM）识别与语言相关的区域，从而减少空间计算并将定位候选限制在更小的搜索空间中。其次，我们提出多视图条件描述重构（MCDR），它将复杂表达分解为简化的目标--锚点关系，并通过多视图推理补充缺失的空间线索。最后，我们提出 LLM-Grounder，它通过在剪枝区域内对齐点云和语言表示，将预训练用于检测的空间 LLM 改造为语言条件定位模型。在三个最流行的点云基准上的大量实验表明，我们的方法在所有三个 ScanRefer 设置以及 10 个 Nr3D/Sr3D 设置中的 9 个上均取得了最先进的结果。代码和模型已公开：this https URL
| 评论： | EMNLP 2026（口头报告） |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI）；计算与语言（cs.CL） |
| 引用为： | arXiv:2606.31148 [cs.CV] |
| （或 arXiv:2606.31148v3 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2606.31148 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Khai Le-Duc [查看邮箱]
[v1]
2026 年 6 月 30 日星期二 05:21:11 UTC（16,845 KB）
[v2]
2026 年 9 月 4 日星期五 23:16:51 UTC（16,824 KB）
[v3]
2026 年 10 月 16 日星期五 06:53:09 UTC（16,824 KB）
来源：arXiv cs.CL · arxiv.org