Vision-Language Model(VLM)은 다양한 시각 및 언어 작업에 뛰어난 성능을 보이지만, 3D 공간 구조 이해에 근본적인 한계를 지닌다. 본 논문은 Geometric Distillation이라는 경량의 주석 없는 fine-tuning 프레임워크를 제안하며, 이는 사전 훈련된 VLM에 아키텍처를 변경하지 않고 사람에게서 영감을 받은 기하학적 단서를 주입한다. (1) 희소 대응, (2) 상대적 깊이 관계, (3) off-the-shelf 3D foundation model(MASt3R, VGGT 등)로부터 얻은 밀집 비용 볼륨을 증류함으로써, 본 연구는 자연 이미지-텍스트 입력과 호환되는 기하학적 인식을 갖도록 표현을 형성한다. 3D vision-language 추론 및 3D perception 벤치마크에 대한 광범위한 평가를 통해, 제안하는 방법은 기존 접근 방식을 일관되게 능가하며, 3D 공간 추론을 향상시키면서 상당한 계산 비용 절감을 달성한다. 본 연구는 2D-훈련된 VLM과 3D 이해를 연결하는 확장 가능하고 효율적인 방법을 제시하여, 공간적으로 기반한 멀티모달 작업에서 더 넓은 활용을 가능하게 한다.
