意味付加（セマンティックアノテーション）は、認識モデルの学習や評価において不可欠であるが、その取得には非常に高いコストがかかる。本研究では、人間の介入を一切不要として、RGB-Dスキャンに対して、ScanNetなどの手動アノテーション済みデータセットと同等（あるいはそれ以上）の精度でラベルを生成できる完全自動化された2D/3Dラベリングフレームワークを提案する。本手法は、最先端のセグメンテーションモデルのアンサンブルと、ニューラルレンダリングを用いた3Dリフティングに基づいている。LabelMakerパイプラインの有効性を実証するため、ScanNetデータセットに対して著しく優れたラベルを生成し、これまでアノテーションが行われていなかったARKitScenesデータセットを自動的にラベリングした。コードおよびモデルは、https://labelmaker.org にて公開されている。