VaseVQA-3D：釆器希腊陶瓷的 3D 视觉问答基准
计算机视觉与模式识别
2025-10-14 v2
摘要
视觉语言模型（VLMs）在多模态理解任务中取得了显著进展，尤其在通用任务如图像描述和视觉推理方面表现出强大的能力。然而，在处理专门的文化遗产领域如 3D 陶器雕像时，现有模型面临数据稀缺和领域知识不足的严峻挑战。由于缺乏针对性训练数据，当前 VLMs 难以有效处理此类具有文化意义的专业任务。为此，我们提出 VaseVQA-3D 数据集，作为最初的用于古希腊陶瓷分析的 3D 视觉问答数据集，收集了 664 个古希腊陶瓶 3D 模型及其对应的问答数据，并建立了完整的数据构建管道。我们进一步开发了 VaseVLM 模型，通过领域自适应训练提升模型在陶器分析中的性能。实验结果验证了我们方法的有效性，在 VaseVQA-3D 数据集上，R@1 指标提升 12.8%，词汇相似度提升 6.6%，显著提高了对 3D 陶器雕像的识别与理解，为数字化遗产保护研究提供了新的技术路径。代码：https://github.com/AIGeeksGroup/VaseVQA-3D。网站：https://aigeeksgroup.github.io/VaseVQA-3D。
引用
@article{arxiv.2510.04479,
title = {VaseVQA-3D: Benchmarking 3D VLMs on Ancient Greek Pottery},
author = {Nonghai Zhang and Zeyu Zhang and Jiazi Wang and Yang Zhao and Hao Tang},
journal= {arXiv preprint arXiv:2510.04479},
year = {2025}
}