🤖 AI

PanoWorld: Towards Spatial Supersensing in 360 $^\circ$ Panorama World

यह शोध पत्र PanoWorld प्रस्तुत करता है, जो एक नवीन ढांचा है जो मल्टीमॉडल लार्ज लैंग्वेज मॉडल्स को समर्पित गोलाकार ज्यामिति अनुकूलन और एक नए नैदानिक बेंचमार्क के माध्यम से इक्वरेक्टेंगुलर पैनोरमा को निरंतर, ऑब्जर्वर-केंद्रित स्थानों के रूप में मानकर सुदृढ़ 360-डिग्री स्थानिक तर्क करने में सक्षम बनाता है।

मूल लेखक: Changpeng Wang, Xin Lin, Junhan Liu, Yuheng Liu, Zhen Wang, Donglian Qi, Yunfeng Yan, Xi Chen

प्रकाशित 2026-05-14

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Changpeng Wang, Xin Lin, Junhan Liu, Yuheng Liu, Zhen Wang, Donglian Qi, Yunfeng Yan, Xi Chen

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक कमरे के बीच में खड़े हैं, और आपके पास एक कैमरा है जो आपके चारों ओर की हर चीज़ की एक तस्वीर ले सकता है—360 डिग्री, फर्श से लेकर छत तक, बिना किसी ब्लाइंड स्पॉट के। यह एक 360-डिग्री पैनोरमा है।

लंबे समय तक, सबसे स्मार्ट AI विज़न मॉडल (जिन्हें MLLM कहा जाता है) को दुनिया को एक इंसान के सीमित दृष्टिकोण की तरह देखने के लिए प्रशिक्षित किया गया है: वे एक बार में एक सपाट तस्वीर देखते हैं, जैसे खिड़की से देखना। यदि आप उन्हें एक पूरे कमरे को समझने में सक्षम बनाना चाहते हैं, तो आपको उन्हें छोटी, अलग-अलग स्नैपशॉट की एक श्रृंखला दिखानी पड़ती है और उनसे यह अनुमान लगाने के लिए कहना पड़ता है कि वे टुकड़े आपस में कैसे जुड़ते हैं। यह एक पहेली के पूरे हिस्से को समझने की कोशिश करने जैसा है जहाँ आप एक बार में केवल एक टुकड़ा देखते हैं और इस उम्मीद में रहते हैं कि आपको याद रहेगा कि बाकी टुकड़े कहाँ थे।

PanoWorld एक नया सिस्टम है जो AI को "खिड़कियों" के माध्यम से देखना बंद करने और एक साथ संपूर्ण गोले (sphere) को देखना सिखाता है। उन्होंने इसे कैसे किया, इसका सरल विवरण यहाँ दिया गया है:

1. समस्या: "फ्लैट मैप" बनाम "ग्लोब"

पेपर का तर्क है कि वर्तमान AI एक 360-डिग्री छवि को एक सपाट, खींचे हुए मानचित्र की तरह मानता है (जैसे कि एक विश्व मानचित्र जो ध्रुवों पर विकृत हो जाता है)। लेकिन वास्तविक दुनिया एक गोले के समान है।

पुराना तरीका: AI एक विकृत छवि देखता है जहाँ ऊपर और नीचे के हिस्से दबे हुए होते हैं और बाएँ और दाएँ किनारे एक-दूसरे से बहुत दूर होते हैं। उसे यह समझ नहीं आता कि वास्तविक दुनिया में बायां किनारा और दायां किनारा वास्तव में आपस में जुड़े हुए हैं।
PanoWorld का तरीका: AI एक निरंतर, ऑब्जर्वर-केंद्रित गोले के रूप में छवि को समझना सीखता है। वह समझता है कि यदि आप 180 डिग्री घूमते हैं, तो आपके बाईं ओर की वस्तु अब आपके दाईं ओर है, और वह "सीम" (seam) जहाँ छवि चारों ओर घूमती है, केवल एक रेखा है, न कि कोई दीवार।

2. समाधान: AI को "गोलाकार सहज ज्ञान" (Spherical Intuition) सिखाना

इसे ठीक करने के लिए, शोधकर्ताओं ने एक नया प्रशिक्षण सिस्टम बनाया जिसमें तीन मुख्य भाग हैं:

A. "सुपर-टीचर" डेटा पाइपलाइन

वे केवल AI को रैंडम तस्वीरें नहीं खिला सकते थे। उन्हें एक ऐसे तरीके की आवश्यकता थी जिससे वे AI को 3D स्थान के नियम सिखा सकें।

उपमा: कल्पना कीजिए कि आप एक बच्चे को भूगोल सिखाने की कोशिश कर रहे हैं। आप उसे केवल एक सपाट मानचित्र नहीं दिखा सकते; आपको एक ग्लोब की आवश्यकता है।
उन्होंने क्या किया: उन्होंने एक विशाल पाइपलाइन बनाई जिसने 570,000 वास्तविक दुनिया की 360-डिग्री तस्वीरों को लिया। उन्होंने वस्तुओं (जैसे कुर्सियाँ या लोग) को खोजने, उनकी दूरी मापने और गोले पर उनकी सटीक स्थिति (जैसे "दाएं की ओर 30 डिग्री और ऊपर की ओर 10 डिग्री") को लेबल करने के लिए अन्य स्मार्ट उपकरणों का उपयोग किया। फिर उन्होंने यह सुनिश्चित करने के लिए डेटा को दो बार सत्यापित किया कि लेबल सही थे। इसने AI के लिए एक "गोल्ड स्टैंडर्ड" पाठ्यपुस्तक तैयार की।

B. मस्तिष्क में "स्फेरिकल GPS"

उन्होंने AI के आर्किटेक्चर (मॉडल के "मस्तिष्क") को संशोधित किया ताकि इसमें Spherical Spatial Cross-Attention नामक एक विशेष मॉड्यूल शामिल किया जा सके।

उपमा: एक मानक AI को एक सपाट मेज पर किताब पढ़ रहे व्यक्ति के रूप में सोचें। PanoWorld इस पाठक के सिर के अंदर एक 360-डिग्री GPS जोड़ देता है।
यह कैसे काम करता है: हर बार जब AI छवि के एक पिक्सेल को देखता है, तो यह GPS उसे बताता है: "यह पिक्सेल केवल (x, y) निर्देशांक पर नहीं है; बल्कि यह वास्तव में 3D स्थान में एक विशिष्ट दिशा की ओर इशारा कर रहा है।" यह AI को यह समझने की अनुमति देता है कि छवि के सुदूर बाईं ओर की वस्तु भौतिक रूप से सुदूर दाईं ओर की वस्तु के करीब है, भले ही वे स्क्रीन पर एक-दूसरे से दूर दिखती हों।

C. "चार महाशक्तियाँ" (Four Superpowers)

पेपर यह परिभाषित करता है कि इस महारत को हासिल करने के लिए AI को सीखने के लिए किन चार विशिष्ट कौशलों की आवश्यकता थी:

सिमेंटिक एंकरिंग (Semantic Anchoring): चीजें क्या हैं यह जानना (जैसे, "वह एक लाल फायर हाइड्रेंट है")।
स्फेरिकल ग्राउंडिंग (Spherical Grounding): गोले पर वे कहाँ हैं यह जानना (जैसे, "यह मेरे दाईं ओर 45 डिग्री पर है")।
रेफरेंस-फ्रेम ट्रांसफॉर्मेशन (Reference-Frame Transformation): यह समझना कि यदि आप घूमते हैं तो चीजें कैसे चलती हैं (जैसे, "यदि मैं बाईं ओर मुड़ता हूँ, तो फायर हाइड्रेंट अब मेरे पीछे है")।
डेप्थ-अवेयर रीजनिंग (Depth-Aware Reasoning): यह समझना कि चीजें कितनी दूर हैं और उनका 3D संबंध क्या है (जैसे, "कार पेड़ के पीछे है")।

3. परिणाम: यह क्यों मायने रखता है

शोधकर्ताओं ने अपने नए मॉडल, PanoWorld का परीक्षण मौजूदा सर्वश्रेष्ठ AI मॉडलों (GPT-4o और Qwen जैसे बड़े नामों सहित) के विरुद्ध किया।

परीक्षण: उन्होंने एक नया बेंचमार्क PanoSpace-Bench उपयोग किया, जिसे विशेष रूप से यह परीक्षण करने के लिए डिज़ाइन किया गया था कि क्या कोई AI 360-डिग्री दृश्यों की "रैप-अराउंड" (चारों ओर घूमने वाली) प्रकृति को समझता है।
परिणाम: PanoWorld ने प्रतिस्पर्धा को पछाड़ दिया। जबकि अन्य मॉडल एक पूर्ण घेरे में वस्तुओं के सापेक्ष उनकी स्थिति समझने में संघर्ष कर रहे थे, PanoWorld ज्यादातर समय इसे सही ढंग से कर पाया।
वास्तविक दुनिया का स्थानांतरण (Real-World Transfer): उन्होंने रोबोट नेविगेशन और कमरे में विशिष्ट लोगों या वस्तुओं को खोजने जैसे कार्यों पर भी इसका परीक्षण किया। भले ही उन्होंने AI को विशेष रूप से इन कार्यों के लिए प्रशिक्षित नहीं किया था, फिर भी इसने उन मॉडलों की तुलना में बेहतर प्रदर्शन किया जो वर्षों से इनके लिए प्रशिक्षित थे।

निचोड़

पेपर का दावा है कि 360-डिग्री दुनिया को वास्तव में समझने के लिए, आप केवल सपाट चित्रों को जोड़कर काम नहीं चला सकते। आपको AI को गोलों (spheres) में सोचना सिखाना होगा। उन्हें पैनोरमिक ज्यामिति की "नेटिव" समझ देकर, उन्होंने एक ऐसा सिस्टम बनाया जो स्थान, दूरी और दिशा के बारे में इस तरह से तर्क कर सकता है जो इमर्सिव वातावरण के लिए बहुत अधिक स्वाभाविक और मानव-समान लगता है।

संक्षेप में: उन्होंने 360-डिग्री तस्वीरों को विकृत फ्लैट मैप की तरह देखना बंद कर दिया और उन्हें उन 3D ग्लोबों की तरह मानना शुरू कर दिया जो वे वास्तव में हैं, जिसके परिणामस्वरूप एक ऐसा AI बना जो बिना भ्रमित हुए एक साथ पूरे कमरे को "देख" सकता है।

तकनीकी सारांश: PanoWorld: 360° पैनोरमा दुनिया में स्थानिक सुपरसेंसिंग की ओर

समस्या विवरण

मल्टीमॉडल लार्ज लैंग्वेज मॉडल्स (MLLMs) वर्तमान में मजबूत स्थानिक तर्क (spatial reasoning) करने में संघर्ष कर रहे हैं क्योंकि वे मुख्य रूप से पर्सपेक्टिव इमेजेस (perspective images) पर प्रशिक्षित होते हैं, जिससे वे एक सीमित दृश्य क्षेत्र (Field of View - FoV) को विरासत में पाते हैं जो पूर्ण परिवेश को समझने की उनकी क्षमता को सीमित करता है। जबकि 360° पैनोरमिक सेंसिंग पूरे ऑब्जर्वर-केंद्रित वातावरण को कैप्चर करके "सुपरसेंसिंग" प्रदान करती है, मौजूदा MLLM पाइपलाइन आमतौर पर इन पैनोरमा को कई अलग-अलग पर्सपेक्टिव व्यूज़ में विभाजित करती हैं। यह दृष्टिकोण इक्वीरेक्टेंगुलर प्रोजेक्शन (Equirectangular Projection - ERP) की गोलाकार संरचना को केवल एक निहित (implicit) धारणा के रूप में मानता है, और पैनोरमिक डेटा में निहित वैश्विक रूप से सुसंगत, रैप-अराउंड निरंतरता (wrap-around continuity) और व्यूपॉइंट-निर्भर स्थानिक संबंधों का लाभ उठाने में विफल रहता है।

पर्सपेक्टिव-आधारित मॉडल्स को सीधे पैनोरमा में स्थानांतरित करना चुनौतीपूर्ण है क्योंकि इसमें मौलिक प्रतिनिधित्व अंतराल (representation gaps) हैं, जिनमें ज्यामितीय विरूपण (geometric distortion), गैर-समान स्थानिक नमूनाकरण (non-uniform spatial sampling), और सीमा विच्छेदन (boundary discontinuities) शामिल हैं। इसके अलावा, वर्तमान पैनोरमिक MLLM अनुसंधान खंडित है, जिसमें एक व्यवस्थित क्षमता वर्गीकरण (capability taxonomy) और मानक विजुअल क्वेश्चन अनswering (VQA) मेट्रिक्स से परे स्थानिक तर्क का मूल्यांकन करने के लिए एक एकीकृत बेंचमार्क का अभाव है।

कार्यप्रणाली (Methodology)

लेखक PanoWorld का प्रस्ताव करते हैं, जो "पैनो-नेटिव" स्थानिक शिक्षण के लिए एक एकीकृत ढांचा है जो MLLMs को निरंतर, ऑब्जर्वर-केंद्रित ERP पैनोरमा पर सीधे तर्क करने में सक्षम बनाता है। यह कार्यप्रणाली तीन मुख्य घटकों से बनी है:

1. क्षमता वर्गीकरण (Capability Taxonomy)

यह पेपर पैनो-नेटिव समझ को चार क्षमता परिवारों के माध्यम से परिभाषित करता है, जो पर्यवेक्षण (supervision) और बेंचमार्किंग के आधार के रूप में कार्य करते हैं:

सिमेंटिक एंकरिंग (Semantic Anchoring): भाषा को दृश्य संस्थाओं (entities), गुणों और वैश्विक दृश्य टोपोलॉजी के साथ जोड़ना।
स्फेरिकल ग्राउंडिंग (Spherical Grounding): प्लेनर इमेज कोऑर्डिनेट्स के बजाय या (yaw) और पिच (pitch) मापदंडों का उपयोग करके दृश्य गोले (viewing sphere) पर संस्थाओं को स्थानीयकृत करना।
रेफरेंस-फ्रेम ट्रांसफॉर्मेशन (Reference-Frame Transformation): ऑब्जर्वर रोटेशन (कैमरा रोटेशन) या ऑब्जेक्ट-कंडीशन्ड ओरिएंटेशन के तहत स्थानिक संबंधों के बारे में तर्क करना, जिसमें सीम-अवेयर (seam-aware) रैप-अराउंड निरंतरता शामिल है।
डेप्थ-अवेयर 3D स्पेशियल रीजनिंग (Depth-Aware 3D Spatial Reasoning): 3D संरचना, गहराई, सापेक्ष दूरी और व्यूअर-केंद्रित संबंधों (जैसे, बाएँ/दाएँ, सामने/पीछे) के साथ गोलाकार अवलोकनों को जोड़ना।

2. बड़े पैमाने पर मेटाडेटा निर्माण पाइपलाइन

इस वर्गीकरण को समर्थन देने के लिए, लेखकों ने मिश्रित स्रोतों (इनडोर/आउटडोर, सिंथेटिक/रियल) से 570K उच्च-गुणवत्ता वाले ERP पैनोरमा का एक डेटासेट तैयार किया। उन्होंने ज्यामिति-जागरूक, भाषा-ग्राउंडेड और गहराई-जागरूक पर्यवेक्षण उत्पन्न करने के लिए एक सत्यापन योग्य मेटाडेटा पाइपलाइन विकसित की:

ज्यामिति-जागरूक डिटेक्शन (Geometry-Aware Detection): पैनोरमा को डिटेक्शन के लिए ओवरलैपिंग पर्सपेक्टिव व्यूज़ में प्रोजेक्ट किया जाता है, फिर विरूपण और सीम स्प्लिटिंग को संभालने के लिए ज्यामितीय सत्यापन (IoU-आधारित सप्रेशन, क्रॉस-व्यू कंसिस्टेंसी) के साथ ERP कोऑर्डिनेट्स में पुन: प्रोजेक्ट किया जाता है।
भाषा-ग्राउंडेड सिमेंटिक्स (Language-Grounded Semantics): एक MLLM सिमेंटिक एनोटेशन और रेफरिंग वाक्यांश उत्पन्न करता है, जिसे टेक्स्ट और विजुअल क्षेत्रों के बीच संरेखण सुनिश्चित करने के लिए "डिस्क्रिप्शन-री-डिटेक्शन" लूप के माध्यम से सत्यापित किया जाता है।
डेप्थ एसोसिएशन (Depth Association): संस्थाओं को स्रोत डेटा से गहराई की जानकारी के साथ जोड़ा जाता है या पैनोरमिक डेप्थ मॉडल्स के माध्यम से अनुमानित किया जाता है।
स्ट्रक्चर्ड ग्राफ (Structured Graph): ये तत्व एक मेटाडेटा ग्राफ $G=(V, E)$ बनाते हैं जो संस्थाओं और उनके गोलाकार/3D संबंधों का प्रतिनिधित्व करता है, जिससे 2.998M इंस्ट्रक्शन-ट्यूनिंग उदाहरण प्राप्त होते हैं।

3. पैनो-अवेयर मॉडल अनुकूलन (PanoWorld)

यह मॉडल Qwen3.5-VL पर आधारित है और इसे एक स्फेरिकल स्पेशियल क्रॉस-अटेंशन (SSCA) मॉड्यूल के साथ विस्तारित किया गया है।

स्फेरिकल टोकन निर्माण (Spherical Token Construction): प्रत्येक विजुअल पैच के लिए, मॉडल ERP कोऑर्डिनेट्स में इसके केंद्र की गणना करता है और इसे गोलाकार दिशा $(\lambda, \phi)$ में मैप करता है। इन दिशाओं को साइनुसोइडल स्फेरिकल एनकोडिंग के माध्यम से एनकोड किया जाता है और गोलाकार टोकन $S$ बनाने के लिए विजुअल हिडन स्पेस में प्रोजेक्ट किया जाता है।
क्रॉस-अटेंशन इंजेक्शन (Cross-Attention Injection): पैच एम्बेडिंग के तुरंत बाद, विजुअल टोकन $H^{(0)}$ क्रॉस-अटेंशन के माध्यम से गोलाकार टोकन $S$ को क्वेरी करते हैं। यह मॉडल को ऑब्जर्वर-केंद्रित दिशाओं के आधार पर ज्यामिति-जागरूक सिग्नल प्राप्त करने की अनुमति देता है।
गेटेड फ्यूजन (Gated Fusion): परिणामी ज्यामिति-जागरूक सिग्नल को एक गेटेड रेसिडुअल अपडेट के माध्यम से विजुअल स्ट्रीम में वापस फ्यूज किया जाता है, जो प्री-ट्रेंड बैकबोन को सुरक्षित रखते हुए गोलाकार ज्यामिति को इंजेक्ट करता है।

मुख्य योगदान

क्षमता वर्गीकरण: पैनोरमिक स्थानिक तर्क का एक व्यवस्थित निरूपण जो सिमेंटिक एंकरिंग, स्फेरिकल ग्राउंडिंग, रेफरेंस-फ्रेम ट्रांसफॉर्मेशन और डेप्थ-अवेयर 3D रीजनिंग में विभाजित है।
डेटा और बेंचमार्क: एक स्केलेबल मेटाडेटा-ड्रिवन पाइपलाइन जिसने सत्यापित ग्राफ के साथ 570K पैनोरमा बनाए, और PanoSpace-Bench, जो लोकलाइजेशन, रिलेशनल रीजनिंग, 3D स्पेशियल अंडरस्टैंडिंग और सीम निरंतरता में ERP-नेटिव स्थानिक तर्क का मूल्यांकन करने वाला एक डायग्नोस्टिक बेंचमार्क है।
मॉडल आर्किटेक्चर: स्फेरिकल स्पेशियल क्रॉस-अटेंशन के साथ PanoWorld मॉडल, जो ज्यामिति-सुसंगत समझ के लिए विजुअल स्ट्रीम में गोलाकार ज्यामिति को इंजेक्ट करता है।
अनुभवजन्य सत्यापन (Empirical Validation): व्यापक प्रयोग जो प्रदर्शित करते हैं कि समर्पित पैनो-नेटिव पर्यवेक्षण और ज्यामिति-जागरूक अनुकूलन मजबूत पैनोरमिक तर्क के लिए आवश्यक हैं।

प्रयोगात्मक परिणाम

प्रस्तावित ढांचे का मूल्यांकन PanoSpace-Bench, H*Bench (ह्यूमन-सेंट्रिक विजुअल सर्च), और R2R-CE Val-Unseen (विज़न-एंड-लैंग्वेज नेविगेशन) पर किया गया।

PanoSpace-Bench: PanoWorld ने 56.5% की समग्र सटीकता प्राप्त की, जो प्रोप्रायटरी मॉडल्स (जैसे, GPT-4o 31.8% पर) और ओपन-सोर्स बेसलाइन्स को काफी पीछे छोड़ देती है। BFOV लोकलाइजेशन (बेसलाइन्स के <5% mIoU के मुकाबले 73.3% mIoU) और सीम निरंतरता तर्क (37% के मुकाबले 65.5%) में उल्लेखनीय सुधार देखे गए।
H*Bench ट्रांसफर: ज़ीरो-शॉट सेटिंग में, PanoWorld ने 56.1% समग्र सटीकता प्राप्त की, जो सर्वश्रेष्ठ पर्सपेक्टिव-व्यू बेसलाइन (38.4%) से काफी अधिक है। फाइन-ट्यूनिंग के बाद, यह 70.1% तक पहुँच गया, जो दर्शाता है कि सीखा गया प्रतिनिधित्व प्रशिक्षण बेंचमार्क पर ओवरफिटिंग के बिना डाउनस्ट्रीम सर्च कार्यों में प्रभावी रूप से स्थानांतरित होता है।
R2R-CE Val-Unseen: केवल ERP पैनोरमा को इनपुट के रूप में उपयोग करते हुए, PanoWorld ने 54.3% की सफलता दर (SR) और 52.1% का SPL प्राप्त किया, जो हाल के RGB-ओनली VLN मॉडल्स और वेपॉइंट-प्रेडिक्टर मेथड्स को पछाड़ते हुए, मानक प्रशिक्षण डेटा के केवल 80% का उपयोग करता है।
दक्षता (Efficiency): प्रत्यक्ष ERP इन्फरेंस के लिए एक सिंगल फॉरवर्ड पास की आवश्यकता होती है, जबकि पर्सपेक्टिव-व्यू रोटेशन मेथड्स को 3.5–6.3 अनुक्रमिक इंटरैक्शन स्टेप्स की आवश्यकता होती है, जिससे PanoWorld इंटरैक्शन स्टेप्स और टोकन उपयोग के मामले में काफी अधिक कुशल बनता है।

महत्व और दावे

पेपर का तर्क है कि केवल ERP इमेजेस को वाइड 2D इमेजेस के रूप में मानकर या प्रॉम्प्ट-लेवल कोऑर्डिनेट विवरणों पर भरोसा करके मजबूत पैनोरमिक तर्क प्राप्त नहीं किया जा सकता है। इसके बजाय, इसके लिए समर्पित पैनो-नेटिव पर्यवेक्षण और ज्यामिति-जागरूक मॉडल अनुकूलन की आवश्यकता है।

लेखक दावा करते हैं कि उनका कार्य प्रदर्शित करता है:

पैनो-नेटिव लर्निंग की आवश्यकता: सामान्य-उद्देश्य वाले MLLMs गोलाकार तर्क करने में विफल रहते हैं; गोलाकार ज्यामिति का विशिष्ट आर्किटेक्चरल इंजेक्शन और क्षमता-संरेखित डेटा पर प्रशिक्षण आवश्यक है।
एकीकृत प्रतिनिधित्व: दृश्य को खंडित स्थानीय दृश्यों में विभाजित करने के बजाय निरंतर पैनोरमिक स्थान पर सीधा तर्क करना अधिक कुशल और प्रभावी है।
स्थानांतरणीयता (Transferability): पैनो-नेटिव पर्यवेक्षण से सीखे गए स्थानिक पूर्वाग्रह (spatial priors) मानव-केंद्रित विजुअल सर्च सहित विविध डाउनस्ट्रीम कार्यों में सामान्य होते हैं, जो पर्सपेक्टिव-व्यू एक्सप्लोरेशन पर निर्भर तरीकों से बेहतर प्रदर्शन करते हैं।

पेपर निष्कर्ष निकालता है कि PanoWorld और PanoSpace-Bench पूर्ण-परिवेश स्थानिक बुद्धिमत्ता को आगे बढ़ाने के लिए एक आधार प्रदान करते हैं, जो पर्सपेक्टिव-इमेज प्रतिमान की सीमाओं से परे जाते हैं।