TOD3Cap: 面向户外场景的三维密集描述
原文中文，约400字，阅读约需1分钟。发表于：。室外三维密集字幕生成中存在诸多挑战，如室内和室外场景之间的领域差异、数据匮乏等，本文提出了室外三维密集字幕生成的新任务，并引入使用 BEV 表示的 TOD3Cap 网络来生成物体边界框和丰富的字幕，通过 TOD3Cap 数据集进行评估，结果表明我们的网络在室外场景中能够有效地定位和生成字幕，比基线方法有显著提升（+9.6 CiDEr@0.5IoU）。
3D密集图像描述是一个新兴的视觉-语言桥接任务，旨在为3D场景生成多个详细准确的描述。本文提供了综合性的综述，包括任务定义、架构分类、数据集分析、评估指标和实验分析。同时，提出了未来方向和对该领域的贡献。
