SpatialPrompting: Keyframe-driven Zero-Shot Spatial Reasoning with Off-the-Shelf Multimodal LLM

一、文章主要内容总结

本文提出了一种名为SpatialPrompting的全新框架，旨在借助现成的多模态大型语言模型（LLM）的推理能力，实现三维环境下的零样本空间推理。该框架的核心在于关键帧驱动的提示生成策略，具体包含以下两个关键环节：

1. 关键帧提取：从图像序列中挑选出具有代表性的关键帧。在这个过程中，综合运用视觉-语言相似性、马氏距离、视野（FOV）以及图像清晰度等多种指标，以确保所选关键帧既能涵盖丰富的空间信息，又能避免冗余。
2. 提示生成：将提取出的关键帧与对应的相机位姿数据相结合，形成结构化的提示输入到多模态LLM中。通过这种方式，引导模型对复杂的三维空间关系进行推理，例如物体的位置、空间布局以及相对方向等。

在实验环节，研究人员在ScanQA和SQA3D等基准数据集上对该框架进行了验证。实验结果表明，SpatialPrompting无需依赖专门的三维输入或精细调优，便能够取得与当前最先进方法（SOTA）相当甚至更优的性能，充分展现了其在效率和可扩展性方面的显著优势。

二、文章创新点

1. 摆脱三维精细调优的束缚：摒弃了传统方法中依赖点云、体素等三维输入以及进行特定三维精细调优的模式，转而直接利用多模态LLM的固有推理能