PanoWorld : Vers la super-détection spatiale dans le monde du panorama à 360°

Résumé

Les grands modèles de laboratoire multimodaux (MLLMs) rencontrent encore des difficultés dans la compréhension spatiale sous le paradigme dominant de l'image perspective, qui hérite du champ de vision étroit de la perception humaine. Pour la navigation, la recherche robotique et la compréhension de scènes 3D, la détection panoramique à 360 degrés offre une forme de super-détection en capturant l'intégralité de l'environnement environnant d'un seul coup. Cependant, les pipelines existants des MLLMs décomposent généralement les panoramas en plusieurs vues perspectives, laissant la structure sphérique de la projection équirectangulaire (ERP) largement implicite. Dans cet article, nous étudions la compréhension pano-native, qui exige qu'un MLLM raisonne sur un panorama ERP en tant qu'espace continu et centré sur l'observateur. À cette fin, nous définissons d'abord les capacités clés pour la compréhension pano-native, notamment l'ancrage sémantique, la localisation sphérique, la transformation du repère de référence et le raisonnement spatial 3D sensible à la profondeur. Nous construisons ensuite un pipeline de génération de métadonnées à grande échelle qui convertit les panoramas ERP de sources mixtes en une supervision géométrique, ancrée dans le langage et sensible à la profondeur, et nous instancions ces signaux en données d'ajustement d'instructions alignées sur les capacités. Du côté du modèle, nous introduisons PanoWorld avec une attention croisée spatiale sphérique, qui injecte la géométrie sphérique dans le flux visuel. Nous construisons également PanoSpace-Bench, un banc d'essai diagnostique pour évaluer le raisonnement spatial natif ERP. Les expériences montrent que PanoWorld surpasse nettement les références propriétaires et open source sur les bancs d'essai PanoSpace-Bench, H* Bench et R2R-CE Val-Unseen. Ces résultats démontrent qu'un raisonnement panoramique robuste nécessite une supervision pano-native dédiée et une adaptation de modèle tenant compte de la géométrie. Tout le code source et les données proposées seront mis à disposition publiquement.

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.