Urbex：城市级3D场景智能体定位
将3D grounding从候选排序改为主动空间搜索。
为什么重要
为大规模户外3D定位提供了无需候选框的智能体式方案。
阅读原文arxiv.org
AI 解读（根据原文生成）
论文提出 Urbex，一个用于城市级 3D grounding 的智能体视觉语言框架。不同于依赖预计算实例候选的候选排序方法，Urbex 将场景表示为交互式多视图环境，让 VLM agent 查询地标、缩放局部区域、渲染斜视图并提交 grounded bounding box。作者在 CityRefer 上用强化学习优化工具使用策略，并采用平滑定位奖励和轻量 shaping rewards。实验称其在 CityRefer 上取得最佳 Hit@1 和 IoU，支持无候选 grounding，且快于最强城市级排序基线；在 STPLS3D-Refer 上显示更好的跨场景鲁棒性。代码与项目页已给出。
要点（AI 据原文整理，数字均已与原文核对）
- City-scale 3D grounding is commonly formulated as candidate ranking, which requires precomputed instance proposals and becomes inefficient in large outdoor scenes.
- Urbex represents a city-scale 3D scene as an interactive multi-view environment.
- Experiments show Urbex achieves the best Hit@1 and IoU on CityRefer.
- Urbex supports candidate-free grounding without ground-truth boxes and is substantially faster than the strongest city-scale ranking baseline.
