本文介绍了一种基于多视角变换器的方法，以提高3D场景的多模态表示能力。通过引入新的数据集和评估指标，提出了多种3D视觉定位算法，如Multi3DRefer和TransRefer3D，这些算法在实验中表现优于现有技术，推动了3D视觉理解的发展。