3D 密度キャプショニング

3D Dense Captioning は、物体レベルの 3D シーン理解を伴う新興のビジョン・アンド・ランゲージタスクです。従来の 3D 物体検出で行われる粗いセマンティックカテゴリ予測やバウンディングボックス回帰に加えて、3D デンスキャプショニングは、シーン内の各対象物についてより詳細なインスタンスレベルの自然言語説明を生成することを目指しています。これには視覚的な外観と空間的な関係性が含まれ、シーン解釈の精度と豊かさを向上させます。