上一篇
Baichuan4-Finance是什么？一文让你看懂Baichuan4-Finance的技术原理、主要功能、应用场景
VSI-Bench是什么？一文让你看懂VSI-Bench的技术原理、主要功能、应用场景
来源：卓商AI
发布时间：2025-04-05
VSI-Bench概述简介
VSI-Bench（Visual-Spatial Intelligence Benchmark）是李飞飞、谢赛宁及他们的研究团队推出的视觉空间智能基准测试集，研究者构建用在评估多模态大型语言大模型（MLLMs）在空间认知和理解方面的能力。VSI-Bench包含超过5000个问题-答案对，覆盖近290个真实室内场景视频，涉及住宅、办公室和工厂等多种环境。VSI-Bench任务分为配置型任务（如物体计数、相对距离等）、测量估计（如物体尺寸、房间大小等）和时空任务（如物体出现顺序），能系统地测试和提高MLLMs在视觉空间智能方面的表现。
VSI-Bench的功能特色
评估视觉空间智能：量化评估多模态大型语言大模型（MLLMs）的视觉空间智能，包括对空间关系的感知、理解和记忆能力。
基准测试：提供标准化的测试集，包含5000多个问答对，用在基准测试和比较不同MLLMs在视觉空间任务上的性能。
任务多样性：包括配置型任务（物体计数、相对距离、相对方向、路线规划）、测量估计（物体尺寸、房间大小、绝对距离）和时空任务（物体出现顺序），全面覆盖视觉空间智能的多个方面。
视频理解：基于视频输入，VSI-Bench测试MLLMs对连续、时间性输入的理解，比静态图像更接近人类观察世界的方式。
数据质量和控制：基于人工审核确保数据质量，消除歧义和错误标注，提高测试结果的可靠性。。
VSI-Bench的技术原理
数据集构建：基于多个公共室内3D场景重建数据集（如ScanNet、ScanNet++和ARKitScenes），数据集提供高保真度的视频扫描和对象级别的3D注释。
问题-答案对生成：基于数据集中的元信息（如对象类别、边界框）和问题模板自动生成问题-答案对，同时对路线规划任务进行人工标注。
质量控制：实施人工审核流程，确保问题清晰无歧义，对错误或模糊的问题进行溯源和修正。
模型评估：在零样本设置下评估多种视频支持的MLLMs，用默认提示进行测试，采用精确匹配和模糊匹配作为主要评价指标。
性能指标：对于多项选择题（MCA）任务使用准确度（ACC），对于数值答案（NA）任务引入新的度量标准——平均相对准确度（MRA）。
认知图生成：提示MLLMs预测视频中对象的中心位置，生成认知图，评估模型的内部空间表示和记忆能力。
VSI-Bench项目介绍
项目官网：vision-x-nyu.github.io/thinking-in-space
GitHub仓库：https://github.com/vision-x-nyu/thinking-in-space
HuggingFace模型库：https://huggingface.co/datasets/nyu-visionx/VSI-Bench
arXiv技术论文：https://arxiv.org/pdf/2412.14171
VSI-Bench能做什么？
机器人导航与交互：在机器人技术领域，评估和训练MLLMs，更好地理解空间布局，提高机器人在未知环境中的导航和避障能力。
增强现实（AR）/虚拟现实（VR）：在AR/VR应用中，帮助MLLMs更好地理解用户的物理空间环境，提供更自然的交互体验。
自动驾驶汽车：自动驾驶系统需要精确的空间理解能力处理复杂的交通场景，用在开发和测试支持自动驾驶的视觉空间智能系统。
智能家居系统：智能家居系统需要理解居住空间的布局和物体的位置，VSI-Bench帮助训练MLLMs，使其更好地服务于智能家居控制和自动化。
室内设计和建筑规划：评估MLLMs在空间规划和设计中的应用，帮助系统提供更合理的布局建议。
© 版权声明:本站所有原创文章版权均归卓商AI工具集及原创作者所有，未经允许任何个人、媒体、网站不得转载或以其他方式抄袭本站任何文章。
相关文章
-
CHANGER是什么？一文让你看懂CHANGER的技术原理、主要功能、应用场景2025-04-05 -
Kiroku是什么？一文让你看懂Kiroku的技术原理、主要功能、应用场景2025-04-05
-
Vision Search Assistant是什么？一文让你看懂Vision Search Assistant的技术原理、主要功能、应用场景2025-04-05
-
MVDrag3D是什么？一文让你看懂MVDrag3D的技术原理、主要功能、应用场景2025-04-05
-
Chonkie是什么？一文让你看懂Chonkie的技术原理、主要功能、应用场景2025-04-05
-
MSQA是什么？一文让你看懂MSQA的技术原理、主要功能、应用场景2025-04-05
卓商AI
AI爱好者的一站式人工智能AI工具箱，累计收录全球10,000⁺好用的AI工具软件和网站，方便您更便捷的探索前沿的AI技术。本站持续更新好的AI应用，力争做全球排名前三的AI网址导航网站，欢迎您成为我们的一员。
最新发布
1
2
3
4
5
6
7
8
9
10
猜你喜欢
SnapDeck
SnapDeck 利用人工智能技术，快速生成演示文稿幻灯片，帮助用户节省时间和精力。它能够根据用户输入的主题或内容，自动生成具有专业设计感的幻灯片，提...
Augment Code
Augment Code 是一款面向专业软件工程师的 AI 开发助手，旨在帮助开发者更好地管理和优化复杂的代码库。它通过智能的代码编辑建议、实时代码补...
Worlds of Frames
Frames 是 Runway 的核心产品之一，专注于图像生成领域。它通过深度学习技术，为用户提供高度风格化的图像生成能力。该模型允许用户定义独特的艺...
Jib
Jib是一款基于语音的人工智能助手，它快速且流畅，以至于几乎无法分辨它是一个机器人。它支持完全免提操作，非常适合在移动中、在车内或步行时使用。Jib能...
hookads ai
一键单击的复制和粘贴模板非常适合社交媒体营销人员，非常适合企业家，非常适合精益团队，预算有限 - 胡克德是您的预先制造的创意广告策略计划。每周增加50...
rundiffusion
Rundiffusion是针对各种规模的组织的全面管理的开源AI工具。它包括在云中稳定的扩散，自动化，Invokeai，comfyui，fooocus...
AudioNinja
AudioNinja是一款AI驱动的平台，提供创新的工具，用于精确的音频分析和处理。适用于播客制作人、音乐家和研究人员。今天就开始探索新的声音维度吧！...
Pillser
Pillser是一个利用最新AI模型和研究数据库提供基于证据的补充剂建议的平台。它通过用户的健康信息提供个性化的响应，并强调信息的准确性和个性化体验。...
AI爱好者的一站式人工智能AI工具箱，累计收录全球10,000⁺好用的AI工具软件和网站，方便您更便捷的探索前沿的AI技术。本站持续更新好的AI应用，力争做全球排名前三的AI网址导航网站，欢迎您成为我们的一员。
