Rethinking 3D Dense Caption and Visual Grounding in A Unified Framework through Prompt-based Localization

📄 arXiv: 2404.11064v3 📥 PDF

作者: Yongdong Luo, Haojia Lin, Xiawu Zheng, Yigeng Jiang, Fei Chao, Jie Hu, Guannan Jiang, Songan Zhang, Rongrong Ji

分类: cs.CV, cs.AI

发布日期: 2024-04-17 (更新: 2024-12-18)

🔗 代码/项目: GITHUB

💡 一句话要点

提出统一框架3DGCTR以解决3D视觉定位与密集描述问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 3D视觉定位 密集描述 多任务学习 提示机制 深度学习

📋 核心要点

  1. 现有的3D视觉定位和密集描述方法依赖于检测器性能，导致整体效果不佳。
  2. 本文提出的3DGCTR框架通过基于提示的定位能力，端到端地解决3DVG和3DDC任务。
  3. 在ScanRefer数据集上，3DGCTR在多个指标上超越了当前最先进的方法，显示出显著的性能提升。

📝 摘要（中文）

3D视觉定位（3DVG）和3D密集描述（3DDC）是多种3D应用中的关键任务，二者在定位和视觉语言关系上既有共享信息又有互补信息。现有方法采用“两阶段检测-描述/区分”的流程，过于依赖检测器的性能，导致效果不佳。受DETR启发，本文提出了统一框架3DGCTR，以端到端的方式共同解决这两个密切相关的任务。通过重新考虑3DVG模型的基于提示的定位能力，3DGCTR能够有效提升3DDC的性能。实验结果表明，该方法在ScanRefer数据集上，3DGCTR在MLE训练中CIDEr@0.5IoU超越了最先进的3DDC方法4.3%，并在Acc@0.25IoU上提升了3DVG方法3.16%。

🔬 方法详解

问题定义：本文旨在解决3D视觉定位（3DVG）和3D密集描述（3DDC）之间的协同问题。现有方法采用的两阶段流程依赖于检测器的性能，导致整体效果不理想。

核心思路：论文的核心思路是重新考虑3DVG模型的基于提示的定位能力，通过设计良好的提示来提取定位信息，从而辅助3DDC任务。

技术框架：整体架构包括一个轻量级的描述头，集成在现有的3DVG网络中，通过描述文本提示作为连接，支持同时进行多任务训练。

关键创新：最重要的创新点在于将3DVG和3DDC任务整合为一个统一的框架，利用提示信息增强模型的定位能力，显著提升了两者的性能。

关键设计：在网络结构上，集成了轻量级的描述头，并设计了特定的损失函数以优化多任务学习，确保了3DVG模型的定位能力能够有效支持3DDC任务。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在ScanRefer数据集上，3DGCTR在MLE训练中CIDEr@0.5IoU超越了当前最先进的3DDC方法4.3%，并在Acc@0.25IoU上提升了3DVG方法3.16%。这些结果表明该方法在多任务学习中的有效性和优越性。

🎯 应用场景

该研究的潜在应用领域包括智能机器人、增强现实和虚拟现实等3D视觉应用。通过提升3D视觉定位和描述的能力，能够在复杂环境中实现更高效的交互和理解，具有重要的实际价值和未来影响。

📄 摘要（原文）

3D Visual Grounding (3DVG) and 3D Dense Captioning (3DDC) are two crucial tasks in various 3D applications, which require both shared and complementary information in localization and visual-language relationships. Therefore, existing approaches adopt the two-stage "detect-then-describe/discriminate" pipeline, which relies heavily on the performance of the detector, resulting in suboptimal performance. Inspired by DETR, we propose a unified framework, 3DGCTR, to jointly solve these two distinct but closely related tasks in an end-to-end fashion. The key idea is to reconsider the prompt-based localization ability of the 3DVG model. In this way, the 3DVG model with a well-designed prompt as input can assist the 3DDC task by extracting localization information from the prompt. In terms of implementation, we integrate a Lightweight Caption Head into the existing 3DVG network with a Caption Text Prompt as a connection, effectively harnessing the existing 3DVG model's inherent localization capacity, thereby boosting 3DDC capability. This integration facilitates simultaneous multi-task training on both tasks, mutually enhancing their performance. Extensive experimental results demonstrate the effectiveness of this approach. Specifically, on the ScanRefer dataset, 3DGCTR surpasses the state-of-the-art 3DDC method by 4.3% in CIDEr@0.5IoU in MLE training and improves upon the SOTA 3DVG method by 3.16% in Acc@0.25IoU. The codes are at https://github.com/Leon1207/3DGCTR.