PanoWorld: Rumo ao Supersensoriamento Espacial no Mundo Panorâmico de 360°

Resumo

Modelos de linguagem multimodal de grande escala (MLLMs) ainda enfrentam dificuldades na compreensão espacial sob o paradigma dominante de imagem em perspectiva, que herda o campo de visão estreito da percepção humana. Para navegação, busca robótica e compreensão de cenas tridimensionais, a detecção panorâmica de 360 graus oferece uma forma de supersensoriamento ao capturar todo o ambiente circundante de uma só vez. No entanto, os pipelines existentes de MLLMs tipicamente decompõem panoramas em múltiplas vistas em perspectiva, deixando a estrutura esférica da projeção equirretangular (ERP) amplamente implícita. Neste artigo, estudamos a compreensão pano-nativa, que exige que um MLLM raciocine sobre um panorama ERP como um espaço contínuo centrado no observador. Para tal, primeiro definimos as habilidades-chave para a compreensão pano-nativa, incluindo ancoragem semântica, localização esférica, transformação de referencial e raciocínio espacial 3D consciente da profundidade. Em seguida, construímos um pipeline de geração de metadados em larga escala que converte panoramas ERP de fontes mistas em supervisão consciente de geometria, fundamentada em linguagem e atenta à profundidade, e instanciamos esses sinais como dados de ajuste de instruções alinhados às habilidades. No lado do modelo, introduzimos o PanoWorld com Atenção Cruzada Espacial Esférica, que injeta geometria esférica no fluxo visual. Construímos ainda o PanoSpace-Bench, um benchmark diagnóstico para avaliar o raciocínio espacial nativo de ERP. Experimentos mostram que o PanoWorld supera substancialmente tanto as linhas de base proprietárias quanto as de código aberto nos benchmarks PanoSpace-Bench, H* Bench e R2R-CE Val-Unseen. Esses resultados demonstram que o raciocínio panorâmico robusto requer supervisão pano-nativa dedicada e adaptação de modelo com consciência geométrica. Todo o código-fonte e dados propostos serão disponibilizados publicamente.

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.