PhotoAgent：具备空间与审美理解能力的机器人摄影师

Lirong Che; Zhenfeng Gan; Yanbo Chen; Junbo Tan; Xueqian Wang

PhotoAgent：具备空间与审美理解能力的机器人摄影师

计算机视觉与模式识别 2026-03-25 v1 人工智能机器人学

作者: Lirong Che , Zhenfeng Gan , Yanbo Chen , Junbo Tan , Xueqian Wang

摘要

对于需要在高层语言命令与几何控制之间搭建语义鸿沟的创意任务（如摄影），具身智能体必须实现这一目标。我们提出 PhotoAgent，通过整合大型多模态模型（LMM）推理与一种新颖的控制范式来实现这一目标。PhotoAgent 首先通过 LMM 驱动的链式思考（CoT）推理，将主观的审美目标转化为可求解的几何约束，使分析求解器能够计算出高质量的初始视点。随后，该初始姿态通过内置于 3D 高斯溶解（3DGS）的逼真三维世界模型中的视觉反思进行迭代细化。这种“心理模拟”取代了昂贵且缓慢的物理试错，使快速收敛至更优异的审美结果成为可能。评估结果表明，PhotoAgent 在空间推理方面表现出色，并实现了优异的最终图像质量。

关键词

机器人摄影大型多模态模型空间推理审美理解 3D 高斯溶解

引用

@article{arxiv.2603.22796,
  title  = {PhotoAgent: A Robotic Photographer with Spatial and Aesthetic Understanding},
  author = {Lirong Che and Zhenfeng Gan and Yanbo Chen and Junbo Tan and Xueqian Wang},
  journal= {arXiv preprint arXiv:2603.22796},
  year   = {2026}
}

备注

Accepted to the IEEE International Conference on Robotics and Automation (ICRA) 2026

PhotoAgent：具备空间与审美理解能力的机器人摄影师

摘要

关键词

引用

备注

相关论文