标签
Robbyant发布了LingBot-Vision，一个基于边界训练的1B参数视觉模型，在深度估计上优于DINOv3-7B，且权重开放。
本文提出了基于传感器有效性掩码的掩码深度建模，在8个掩码/稀疏深度基准测试中的7个上取得了最佳RMSE，并进行了受控编码器初始化研究。
LingBot-Depth 2.0 基于 1.5 亿样本训练，解决了机器人长期以来的玻璃/透明物体感知盲区，在 12/16 项深度基准测试中夺得榜首，深度误差减半。蚂蚁集团利用该技术大幅提升了其机器人的感知能力。
蚂蚁集团旗下的具身智能公司 Robbyant 发布了 LingBot-Vision，这是一系列自监督视觉骨干网络，参数量从 21M 到 1.1B，采用 Apache-2.0 协议。尽管使用的训练数据不到 DINOv3 的三分之一，它在多个深度和分割基准测试中与 DINOv3 持平或超越，凸显了开放感知模型的推动力。
蚂蚁集团发布了LingBot-Vision，这是一个包含四种规模的DINO风格视觉骨干网络系列；其中0.3B ViT-L在NYUv2深度估计任务上，以约23倍更少的参数量达到了DINOv3-7B的性能，展现了显著的效率提升。
本文提出了一种名为掩码边界建模（masked boundary modeling）的自监督视觉预训练范式，该范式通过学习亚像素边界表示来提升密集空间感知能力。由此得到的模型LingBot-Vision在深度估计及其他下游任务中展现出显著改进，证明边界建模是一种可扩展的预训练原则，可用于学习空间结构化的视觉表示。
引入MultiDepth-3k基准，用于评估单目深度基础模型中的深度层偏好，并展示拉普拉斯视觉提示（Laplacian Visual Prompting）可以改变报告的深度层，表明不同模型之间存在互补的几何假设。
MMDiff 通过轻量级解码器将冻结的扩散变换器扩展为多模态生成系统，通过多时间步特征融合，在语义分割和其他感知任务上实现了显著改进。
Bardienus Duisterhof 介绍了 Modality Forcing，这是一种对训练后的文本到图像（T2I）模型进行后处理的方法，在5个单目深度估计基准中，有4个达到了最先进的结果。
αDepth 引入了一种带有圆形Alpha表示（CAR）的分层表示，以解决立体转换中的软边界挑战，无需手动指导即可实现最先进的性能。
本文提出VLM3，一种通过简单的架构修改和基于文本的训练将视觉语言模型适配到3D理解任务的方法，无需复杂设计即可实现有竞争力的性能。该方法在深度估计精度上取得了显著提升，并支持多种3D任务，如像素对应、相机姿态估计和物体级理解。
ViGeo是一个基于Transformer的基础模型，使用动态分块注意力和基于补全的数据精炼框架，从视频中恢复密集且一致的3D几何，在多项任务上实现了最先进的性能。
本文提出GASP框架，通过深度监督结合对比损失和深度一致性损失将几何先验注入视觉语言模型，在3D空间推理基准上取得了显著提升，且无需使用3D VQA数据。
PaGeR 适配了多视角透视基础模型 Depth Anything 3，利用固定的立方体贴图表示，从单张等距柱状投影图像中预测尺度不变深度、度量深度、表面法线和天空分割，同时保持 VRAM 和运行时间恒定。本文还发布了 ZüriPano 和 PanoInfinigen 数据集。
DepthVLM通过轻量级深度头和统一的视觉-文本监督增强了视觉语言模型，实现了稠密度量深度估计和改进的3D空间推理，同时保持了多模态能力。