PanoWorld: Hacia el Supersensado Espacial en el Mundo Panorámico de 360°

Resumen

Los modelos grandes multimodales de laboratorio (MLLMs, por sus siglas en inglés) aún presentan dificultades para la comprensión espacial bajo el paradigma dominante de imagen en perspectiva, el cual hereda el estrecho campo de visión propio de la percepción humana. Para tareas como navegación, búsqueda robótica y comprensión de escenas 3D, la detección panorámica de 360 grados ofrece una forma de supersensado al capturar todo el entorno circundante de una sola vez. Sin embargo, los flujos de trabajo existentes de MLLM suelen descomponer los panoramas en múltiples vistas en perspectiva, dejando en gran medida implícita la estructura esférica de la proyección equirrectangular (ERP). En este artículo, estudiamos la comprensión nativa de panorámicas, que requiere que un MLLM razone sobre un panorama ERP como un espacio continuo centrado en el observador. Para ello, primero definimos las capacidades clave para la comprensión nativa de panorámicas, incluyendo el anclaje semántico, la localización esférica, la transformación del sistema de referencia y el razonamiento espacial 3D con conciencia de profundidad. Luego, construimos un flujo de construcción de metadatos a gran escala que convierte panoramas ERP de fuentes mixtas en supervisión consciente de la geometría, fundamentada en lenguaje y con conciencia de profundidad, e instanciamos estas señales como datos de ajuste de instrucciones alineados con las capacidades. En el lado del modelo, presentamos PanoWorld con Atención Cruzada Espacial Esférica, que inyecta geometría esférica en el flujo visual. Además, construimos PanoSpace-Bench, un punto de referencia de diagnóstico para evaluar el razonamiento espacial nativo de ERP. Los experimentos muestran que PanoWorld supera sustancialmente a las líneas base tanto propietarias como de código abierto en los puntos de referencia PanoSpace-Bench, H* Bench y R2R-CE Val-Unseen. Estos resultados demuestran que un razonamiento panorámico robusto requiere supervisión nativa de panorámicas dedicada y adaptación del modelo consciente de la geometría. Todo el código fuente y los datos propuestos se publicarán abiertamente.

English

Multimodal large laboratory models (MLLMs) still struggle with spatial understanding under the dominant perspective-image paradigm, which inherits the narrow field of view of human-like perception. For navigation, robotic search, and 3D scene understanding, 360-degree panoramic sensing offers a form of supersensing by capturing the entire surrounding environment at once. However, existing MLLM pipelines typically decompose panoramas into multiple perspective views, leaving the spherical structure of equirectangular projection (ERP) largely implicit. In this paper, we study pano-native understanding, which requires an MLLM to reason over an ERP panorama as a continuous, observer-centered space. To this end, we first define the key abilities for pano-native understanding, including semantic anchoring, spherical localization, reference-frame transformation, and depth-aware 3D spatial reasoning. We then build a large-scale metadata construction pipeline that converts mixed-source ERP panoramas into geometry-aware, language-grounded, and depth-aware supervision, and instantiate these signals as capability-aligned instruction tuning data. On the model side, we introduce PanoWorld with Spherical Spatial Cross-Attention, which injects spherical geometry into the visual stream. We further construct PanoSpace-Bench, a diagnostic benchmark for evaluating ERP-native spatial reasoning. Experiments show that PanoWorld substantially outperforms both proprietary and open-source baselines on PanoSpace-Bench, H* Bench, and R2R-CE Val-Unseen benchmarks. These results demonstrate that robust panoramic reasoning requires dedicated pano-native supervision and geometry-aware model adaptation. All source code and proposed data will be publicly released.