B2N3D：从二进制到 n 元关系的 3D 物体定位渐进学习
计算机视觉与模式识别
2025-12-02 v2
摘要
使用自然语言定位 3D 物体是机器人场景理解的关键任务。描述往往涉及多个空间关系以区分相似物体，使得 3D 语言对齐困难。当前方法仅建模成对物体的关系，忽略了多模态关系理解中 n 元组合的全局感知意义。为此，我们提出一种新的渐进式关系学习框架用于 3D 物体定位。我们将关系学习从二元扩展到 n 元，以全局识别匹配指涉描述的视觉关系。鉴于训练数据中缺乏指涉对象的特定标注，我们设计了分组监督损失以促进 n 元关系学习。在由 n 元关系创建的场景图中，我们使用具有混合注意力机制的多模态网络进一步在 n 元组合中定位目标。在 ReferIt3D 和 ScanRefer 基准上的实验和消融研究表明，我们的方法优于最新方法，并证明了 n 元关系感知在 3D 定位中的优势。
引用
@article{arxiv.2510.10194,
title = {B2N3D: Progressive Learning from Binary to N-ary Relationships for 3D Object Grounding},
author = {Feng Xiao and Hongbin Xu and Hai Ci and Wenxiong Kang},
journal= {arXiv preprint arXiv:2510.10194},
year = {2025}
}