3D 密集描述综合综述：3D 场景中的物体定位与描述

三维 (3D) 密集描述是一项新兴的视觉 - 语言桥接任务，旨在为 3D 场景生成多个详细且准确的描述。由于与 2D 视觉描述相比，它更接近真实世界的表示，且 3D 点云源的数据收集和处理具有复杂性，因此该任务呈现出巨大的潜力和挑战。尽管现有方法广受欢迎且取得成功，但缺乏总结该领域进展的综合综述，这阻碍了其发展。在本文中，我们对 3D 密集描述进行了全面回顾，涵盖任务定义、架构分类、数据集分析、评估指标以及深入的繁荣讨论。基于对先前文献的综合，我们提炼出一个标准流程，作为现有方法的通用范式。我们还引入了现有模型的清晰分类法，总结了不同模块中涉及的技术，并进行了详细的实验分析。我们没有按时间顺序介绍，而是将方法分类为不同的类别，以便于探索和分析现有技术之间的差异和联系。我们还提供了阅读指南，以帮助具有不同背景和目的的读者高效阅读。此外，我们通过识别挑战并将其与相关任务的发展相对齐，提出了一系列 3D 密集描述的未来发展方向，为该领域的未来研究提供有价值的见解和启发。我们的目标是提供对 3D 密集描述的全面理解，促进进一步调查，并推动多媒体及相关领域中新应用的开发。