MonoSR：来自单目图像的开词汇空间推理
计算机视觉与模式识别
2025-11-25 v1
摘要
空间推理（SR），即从2D输入推断3D空间信息的能力，对于具身AI和自动驾驶等现实应用至关重要。然而，现有研究主要聚焦于室内环境，通常依赖多视角观测，这限制了其向室外场景的泛化能力，并限制了其对单目图像——最常见的现实场景——的适用性。在这项工作中，我们提出了MonoSR，一个大规模单目空间推理数据集，涵盖包括室内、室外和以物体为中心在内的多样化场景，并支持多种问题类型。MonoSR为开放世界单目空间推理提供了路径。除了引入数据集外，我们还评估了先进的视觉语言模型，揭示了它们在这一具有挑战性任务上的局限性。我们进一步分析了辅助信息对单目空间推理是否至关重要，并为设计未来模型提供了实用指导。这些贡献共同为在现实、开放世界环境中推进单目空间推理奠定了基础。
引用
@article{arxiv.2511.19119,
title = {MonoSR: Open-Vocabulary Spatial Reasoning from Monocular Images},
author = {Qirui Wang and Jingyi He and Yining Pan and Si Yong Yeo and Xulei Yang and Shijie Li},
journal= {arXiv preprint arXiv:2511.19119},
year = {2025}
}