该文介绍了使用自然语言描述来定位现实世界 3D 场景中多个对象的任务，并提出了 Multi3DRefer 扩展了 ScanRefer 数据集和任务，引入了新的评估指标和基准方法以进一步研究多模态 3D 场景理解。同时，利用 CLIP 的 2D 特征和对比学习在线渲染对象提案，构建了更好的基准线，在 ScanRefer 基准测试上超越了最新技术。