**Imagine3D-LLM:通过想象3D场景提升多模态大模型空间推理能力**

_Imagine3D-LLM: Teaching MLLMs to Imagine 3D Scenes Before Answering_

> 该论文提出Imagine3D-LLM,旨在解决多模态大模型(MLLMs)在多视角图像中整合3D信息的难题。受人类空间推理启发,模型在图像标记后引入可学习的摘要标记,将其解码为紧凑的3D高斯泼溅(3D Gaussian Splatting)表示,并通过光度重建损失进行监督。这种“先想象场景再回答”的机制不仅增强了模型内部的跨帧对应关系,还在多个空间推理和3D理解基准测试中显著优于现有方法,证明了构建场景级3D表示比直接注入像素级几何特征更为有效。

**来源信息**
- **来源**:HuggingFace Daily Papers(社区热门论文)
- **分类**:论文
- **发布时间**:2026-10-01 08:00(北京时间)
- **原文**:[打开原文](https://huggingface.co/papers/2609.38177)