Loc3R-VLM: Language-based Localization and 3D Reasoning with Vision-Language Models

O Loc3R-VLM é um framework inovador que integra capacidades avançadas de compreensão 3D em modelos de linguagem visual 2D, utilizando vídeo monocular como entrada. A tecnologia supera abordagens existentes em benchmarks de localização baseada em linguagem e raciocínio espacial tridimensional, aproximando a IA da cognição espacial humana.