LLLMWIKI
正文研究地图阅读入口元数据

来源笔记 · 更新于 2026-09-25

REALM多视大模型推理定位与高斯实例编辑

阅读原论文

一句话结论

CVPR 2026在已有3DGS、训练相机和逐场实例特征场上,用Qwen2.5-VL+SAM跨全局与局部视角定位隐式语言所指物体;其高mIoU依赖大模型多次调用、视图选取与局部优化,8.68秒仅是单提示处理口径(主文pp.16782–16786 Tables1–4)。

输入、机制与评测

先由SAM训练视图掩码、跨视实例传播建立每高斯feature及分类器;全局阶段从24个相机簇选8个视角,经MLLM返回bbox、类别及理由、SAM出mask再投到ID场投票;局部阶段在目标可见视角做50步mask一致优化(主文Fig.3 Eq.1–8)。REALM3D有100场1444对提示掩码,Qwen2.5-VL生成隐式提示、SAM标注且人工过滤(主文Table2、补充pp.1–3);同族MLLM对数据创建及解题有共因,需要独立人标场景级评测。

结果、反证与成本

  • 主文p.16784 Table1隐式提示LERF本法mIoU92.88 vs GS-Group42.43;3D-OVS 93.68 vs GAGS58.46;REALM3D 82.30 vs GS-Group65.55。§4.1只称LERF选2场/3D-OVS选5场重标,Table2原库列5/10场,主表评测分母需核。补充p.3 Table S1显示同3D-OVS显式提示GAGS84.18、本法93.62,对隐式能力说明任务更难;两者须同场景对照。
  • p.16786 Table3单一Figurines场:GS-Group mIoU.32,加Qwen2.5-VL .78,加全局 .89,加局部 .95;局部50步.95、500步.79,过拟合可见。Table4全局2.53秒+局部2.48秒+优化3.67秒;FPS354.72仅单通道掩码渲染,建图、实例场和LLM服务费另计。
  • 编辑Fig.7主要定性;补充pp.1–2:删除可接LaMa、替换接TRELLIS、风格化接InstructPix2Pix再优化1000步。成功率/保真度/墙钟及失败分母待独立核验。

可用性与相关页面

官方10页主文+6页补充、逐表审计存raw/ingest/2026-09-25-realm/。作者ChangyueShi/REALM仓库目前只有站点资源,未见可运行实现或LICENSE;未GPU复现。三维高斯泼溅:表示、优化、几何与动态任务与LangSplat:高斯语言特征与三级语义查询并列语言任务,但逐场特征查询与多轮大模型推理的计算分母不同。