spatial-perception

SPARGen引入了一个统一的多模态框架，将3D重建、稠密对应和空间推理视为指令条件生成任务，从而实现共享空间表示。

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。