scene-understanding

SceneActBench是一个基准测试，用于评估VLM智能体在完整的多对象3D场景中执行操作的能力，通过五个任务中的任务特定几何指标进行评估。

中国开源了一个实时3D场景重建模型，无需LiDAR，仅需普通单摄像头视频，在单GPU上实现20 FPS，并在10,000+帧中保持稳定。

LaviGen是一个框架，它重用3D生成模型进行自回归3D布局生成，使用改进的3D扩散模型和dual-guidance self-rollout蒸馏机制，在LayoutVLM基准上实现了比最先进方法高19%的物理合理性和快65%的计算速度。