3Dシーンの複雑な理解は、近年ますます注目を集めており、シーンエンコーディング戦略がその成功に重要な役割を果たしている。しかし、さまざまなシナリオにおける最適なシーンエンコーディング戦略はまだ明確になっておらず、画像ベースの手法と比較して特に不透明な点が多い。この問題に対処するため、本研究では3Dシーン理解に向けた多様な視覚エンコーディングモデルを包括的に調査し、各モデルが異なるシナリオにおいて示す強みと限界を明らかにした。評価対象は、画像ベース、動画ベース、3Dベースの視覚基盤モデルを含む7種類のフォンドエッジモデルであり、視覚言語シーン推論、視覚的接地（Visual Grounding）、セグメンテーション、登録（Registration）の4つのタスクにおいて評価を行った。これらのタスクはそれぞれシーン理解の異なる側面に焦点を当てている。評価の結果、以下の重要な知見が得られた：DINOv2は優れた性能を示した一方、動画ベースモデルは物体レベルのタスクで優位性を発揮し、拡散モデル（diffusion models）は幾何学的タスクにおいて利点を示した。一方で、言語事前学習済みモデルは言語関連タスクにおいて予期せぬ限界を示した。これらの知見は従来の理解に挑戦するものであり、視覚基盤モデルの活用に新たな視点を提供するとともに、今後の視覚言語およびシーン理解タスクにおいて、より柔軟なエンコーダー選択の必要性を強調している。コード：https://github.com/YunzeMan/Lexicon3D