三维密集字幕生成

3D密集标注是一项新兴的视觉与语言任务，涉及对象级别的3D场景理解。除了传统的3D目标检测中的粗略语义类别预测和边界框回归外，3D密集标注还旨在为每个感兴趣的场景对象生成更精细的实例级自然语言描述，涵盖其视觉外观和空间关系，从而提升场景解析的准确性和丰富性。