Fast SceneScript：基于多标记预测的高效精准语言基 3D 场景理解
计算机视觉与模式识别
2026-04-01 v3
摘要
近期基于语言模型的感知通用主义方法已通过统一的架构和界面，在包括 3D 场景布局估计和 3D 目标检测在内的众多任务上实现了最先进的结果。然而，这些方法依赖于自回归的下一个标记预测，本质上较慢。本文引入 Fast SceneScript，这是一种 novel 的结构化语言模型，用于准确且高效的 3D 场景理解。我们的方法采用多标记预测（Multi-Token Prediction, MTP），以显著加快推理速度。尽管 MTP 提升了速度，但不可靠的标记预测会显著降低准确率。为筛选不可靠的标记，我们改进自推测解码（Self-Speculative Decoding, SSD）以适用于结构化语言模型，并引入基于置信度的解码（Confidence-Guided Decoding, CGD），并改进了标记可靠性的评分机制。此外，我们设计了一种参数高效的机制，以减少 MTP 的参数开销。大量在合成数据集和真实世界基准测试上的实验表明，Fast SceneScript 在不牺牲准确率的前提下，可在每个解码器推理步骤中生成最高达 9 个标记，仅增加约 的额外参数。
引用
@article{arxiv.2512.05597,
title = {Fast SceneScript: Fast and Accurate Language-Based 3D Scene Understanding via Multi-Token Prediction},
author = {Ruihong Yin and Xuepeng Shi and Oleksandr Bailo and Marco Manfredi and Theo Gevers},
journal= {arXiv preprint arXiv:2512.05597},
year = {2026}
}
备注
Accepted to CVPR 2026