PanoWorld: К пространственному сверхвосприятию в 360-градусном панорамном мире

Аннотация

Мультимодальные большие лабораторные модели (MLLM) всё ещё испытывают трудности с пространственным пониманием в рамках доминирующей парадигмы перспективных изображений, которая наследует узкое поле зрения, характерное для человеческого восприятия. Для навигации, роботизированного поиска и понимания трёхмерных сцен 360-градусное панорамное восприятие предлагает форму сверхчувствительности, захватывая единовременно всё окружающее пространство. Однако существующие конвейеры MLLM обычно разбивают панорамы на множество перспективных видов, оставляя сферическую структуру экваториальной проекции (ERP) в значительной степени неявной. В данной статье мы исследуем панорамно-родное понимание (pano-native understanding), требующее от MLLM рассуждения над ERP-панорамой как непрерывным пространством, центрированным относительно наблюдателя. Для этого мы сначала определяем ключевые способности, необходимые для панорамно-родного понимания, включая семантическую привязку, сферическую локализацию, преобразование систем отсчёта и пространственное 3D-рассуждение с учётом глубины. Затем мы строим масштабный конвейер создания метаданных, преобразующий ERP-панорамы из смешанных источников в обучающие сигналы, учитывающие геометрию, языковую привязку и глубину, и реализуем эти сигналы в виде данных для тонкой настройки по инструкциям, согласованных с указанными способностями. На стороне модели мы представляем PanoWorld с сферическим пространственным перекрёстным вниманием (Spherical Spatial Cross-Attention), которое внедряет сферическую геометрию в визуальный поток. Дополнительно мы создаём PanoSpace-Bench — диагностический эталон для оценки ERP-родного пространственного мышления. Эксперименты показывают, что PanoWorld существенно превосходит как проприетарные, так и открытые базовые модели на эталонах PanoSpace-Bench, H* Bench и R2R-CE Val-Unseen. Эти результаты демонстрируют, что надёжное панорамное мышление требует специализированного панорамно-родного обучения и адаптации модели с учётом геометрии. Весь исходный код и предлагаемые данные будут опубликованы в открытом доступе.

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.