C2F-Space：使用视觉语言模型对空间指令进行由粗到细的空间定位

研究针对自然语言空间指令的空间定位问题，提出 C2F-Space，将视觉语言模型（VLM）的粗粒度推理与超像素级预测细化结合，以处理距离、几何及物体间关系，并输出更精细的定位结果。基于摘要分析，未取得论文全文。 核心机制包含两个阶段：先通过 propose-validate（提出—验证）式 VLM 提示完成粗粒度空间推理，再通过 superpixel-wise residual learning（超像素级残差学习）细化预测，进行局部几何推理。摘要将传统方法对复杂空间关系的处理不足，以及 VLM 难以生成细粒度输出，作为该框架的主要动机；提示流程、残差目标、损失形式及训练与推理细节尚未验证。 作者报告，在一个新的超像素级空间定位基准上，C2F-Space 的成功率和交并比（intersection-over-union）均显著优于三个被作者称为当前最先进的基线。摘要未提供具体数值、基线名称、数据规模、划分方式、成功判据或显著性检验信息，因此不能量化提升幅度；实验协议、消融及统计信息尚未验证。 本文的主要研究对象是视觉场景中的语言空间定位，而非神经信号建模。来源栏目中的 State space models 不足以证明该方法采用状态空间模型。现有材料也未建立其超像素机制与 EEG/BCI 数据结构之间的具体对应关系，因此不据此生成 BCI 迁移效果判断或复现实验建议。复现前需核对基准构建方式、VLM 配置、超像素生成方法、残差学习监督及实现是否公开。