Referlt3D データセットは、2 つの大規模な視覚言語学的補完データセットを含む、3D 視覚的グラウンディングおよび 3D 高密度キャプション タスクに適しています。

1. Sr3D データセット: 83.5K のテンプレートベースのセンテンスが含まれており、きめの細かいオブジェクト クラス間の空間関係を使用して、シーン内で参照されているオブジェクトの位置を特定します。
2. Nr3D データセット: 3D シーンで 2 プレイヤー ゲームを展開することによって収集された、あらゆる形式の自然発生文 41.5K が含まれています。