搜索
在具身智能研究中，如何让智能体精准理解周围环境的精细几何结构与开放语义信息，始终是具身感知的核心难题。近年来，语义占据预测（Semantic Occupancy Prediction） 将稠密几何与语义信息统一到三维体素网格中，用于构建 3D 语义占据地图，为机器人的空间推理、导航与交互操作提供了场景表达基础。
Anthropic 发布了史上最强的模型 Claude Mythos。
信息无损Token最高节省87%，一款省Token神器正在GitHub蹿红。
GoogleMaps核弹更新：Gemini接管步行骑行导航！问厕所咖啡馆？问EV充电剩几个坑？问街区Vibe？Gemini秒懂人话、懂物理世界。路痴起立，再也不用举手机转圈自闭了！
最近，谷歌 NotebookLM 又出了个好玩好用的小功能：Cinematic Video Overviews（电影级视频概览）。与普通模板不同，这项功能可以根据我们上传的资料，自动生成定制化、沉浸式的视频讲解。
单目 3D 语义场景补全 (Semantic Scene Completion, SSC) 是具身智能与自动驾驶领域的一项核心技术，其目标是仅通过单幅图像预测出场景的密集几何结构与语义标签。
IDEA研究院张磊团队与香港科技大学谭平团队联合推出SceneMaker框架，有望攻克这一问题。 它以视启未来的万物检测模型DINO-X与光影焕像的万物3D生成模型Triverse为基础，实现了从任意开放世界图像（室内/室外/合成图等）到带Mesh的3D场景的完整重建。
现有的视觉大模型普遍存在「语义-几何鸿沟」（Semantic-to-Geometric Gap），不仅分不清东南西北，更难以处理精确的空间量化任务。例如问「你坐在沙发上时，餐桌在你的哪一侧？」，VLM 常常答错。
今天聊一聊怎么在RAG、agent场景中实现语义高亮（Semantic Highlight）。
北京大学团队提出了一种新的视觉语义场景补全方法HD²-SSC，用于从多视角图像重建三维语义场景。该方法通过高维度语义解耦和高密度占用优化，解决了现有技术中二维输入与三维输出之间的维度差异，以及人工标注与真实场景密度差异的问题，从而实现更准确的语义场景补全。