CoverPrune：通过最佳传输对 3D VLM 进行覆盖驱动的词元修剪

虽然 3D 视觉语言模型 (3D VLM) 已展现出卓越的空间推理能力，但它们面临着大量视觉标记计数的问题，这在推理过程中造成了严重的计算瓶颈。现有的词元修剪方法主要依赖于基于多样性的选择，丢弃相似的词元以最大化分散性。然而，在 3D 环境中，这种方法经常会放弃代表性原型标记而转而支持异常值，从而破坏了空间推理所必需的多视图一致性和几何结构。在本文中，我们提出了 3D VLM 词元修剪的范式转变：从最大化多样性到保留视觉证据覆盖范围。我们引入了 CoverPrune，这是一个 无需训练 框架，它将推理时间词元修剪表述为最佳传输（OT）问题。为了克服该公式中固有的棘手的组合子集选择，我们设计了特征-空间-时间（FST）传输成本和目标容量，以及高效的空间引导贪婪选择（SGS）算法来近似OT目标。此外，我们提出了 CoverPrune-Lite，这是一种利用空间结构化局部匹配来实现最小开销的加速变体。跨多个 3D 视觉空间推理基准的广泛实验表明，我们的方法实现了最先进的词元效率，即使在高度激进的修剪预算下也能保持强大的推理性能。请访问我们的项目网站：https://github.com/Brucess/CoverPrune。