PanoWorld: Naar Ruimtelijke Supersensing in een 360°-Panoramawereld

Samenvatting

Multimodale grote laboratoriummodellen (MLLM's) worstelen nog steeds met ruimtelijk begrip binnen het dominante perspectief-beeldparadigma, dat het beperkte gezichtsveld van menselijke perceptie erft. Voor navigatie, robotische zoekopdrachten en driedimensionaal scènebegrip biedt 360-graden panoramische waarneming een vorm van superwaarneming door de gehele omgeving in één keer vast te leggen. Echter, bestaande MLLM-pijplijnen ontleden panorama's doorgaans in meerdere perspectiefbeelden, waardoor de bolvormige structuur van de equirectangulaire projectie (ERP) grotendeels impliciet blijft. In dit artikel bestuderen we pano-native begrip, waarbij een MLLM een ERP-panorama moet interpreteren als een continue, waarnemer-gecentreerde ruimte. Hiertoe definiëren we eerst de belangrijkste vaardigheden voor pano-native begrip, waaronder semantische verankering, sferische lokalisatie, referentiekader-transformatie en dieptebewust driedimensionaal ruimtelijk redeneren. Vervolgens bouwen we een grootschalige metadata-constructiepijplijn die gemengde bron-ERP-panorama's omzet in geometriebewuste, taalverankerde en dieptebewuste supervisie, en instantieren we deze signalen als capaciteitsgerichte instructie-afstemmingsdata. Aan de modelzijde introduceren we PanoWorld met Sferische Ruimtelijke Kruisaandacht, die sferische geometrie in de visuele stroom injecteert. Verder construeren we PanoSpace-Bench, een diagnostische benchmark voor het evalueren van ERP-native ruimtelijk redeneren. Experimenten tonen aan dat PanoWorld aanzienlijk beter presteert dan zowel propriëtaire als open-source baselines op PanoSpace-Bench, H\* Bench en R2R-CE Val-Unseen benchmarks. Deze resultaten tonen aan dat robuust panoramisch redeneren toegewijde pano-native supervisie en geometriebewuste modelaanpassing vereist. Alle broncode en voorgestelde gegevens zullen openbaar worden gemaakt.

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.