3D CoCa: Los Modelos de Aprendizaje por Contraste son Generadores de Descripciones 3D

3D CoCa: Contrastive Learners are 3D Captioners

April 13, 2025

Autores: Ting Huang, Zeyu Zhang, Yemin Wang, Hao Tang

cs.AI

Resumen

La generación de descripciones en 3D, que tiene como objetivo describir el contenido de escenas 3D en lenguaje natural, sigue siendo un desafío significativo debido a la inherente dispersión de las nubes de puntos y la débil alineación multimodal en los métodos existentes. Para abordar estos desafíos, proponemos 3D CoCa, un marco unificado novedoso que combina de manera fluida el aprendizaje contrastivo visión-lenguaje con la generación de descripciones en 3D en una única arquitectura. Nuestro enfoque aprovecha un modelo base congelado de CLIP visión-lenguaje para proporcionar ricos conocimientos semánticos previos, un codificador de escenas 3D espacialmente consciente para capturar el contexto geométrico, y un decodificador multimodal para generar descripciones detalladas. A diferencia de los métodos previos de dos etapas que dependen de propuestas explícitas de objetos, 3D CoCa optimiza conjuntamente los objetivos contrastivos y de generación de descripciones en un espacio de características compartido, eliminando la necesidad de detectores externos o propuestas manuales. Este paradigma de entrenamiento conjunto produce un razonamiento espacial más robusto y una base semántica más rica al alinear las representaciones 3D y textuales. Experimentos exhaustivos en los benchmarks ScanRefer y Nr3D demuestran que 3D CoCa supera significativamente a los métodos más avanzados actuales en un 10.2% y 5.76% en CIDEr a 0.5IoU, respectivamente. El código estará disponible en https://github.com/AIGeeksGroup/3DCoCa.

English

3D captioning, which aims to describe the content of 3D scenes in natural language, remains highly challenging due to the inherent sparsity of point clouds and weak cross-modal alignment in existing methods. To address these challenges, we propose 3D CoCa, a novel unified framework that seamlessly combines contrastive vision-language learning with 3D caption generation in a single architecture. Our approach leverages a frozen CLIP vision-language backbone to provide rich semantic priors, a spatially-aware 3D scene encoder to capture geometric context, and a multi-modal decoder to generate descriptive captions. Unlike prior two-stage methods that rely on explicit object proposals, 3D CoCa jointly optimizes contrastive and captioning objectives in a shared feature space, eliminating the need for external detectors or handcrafted proposals. This joint training paradigm yields stronger spatial reasoning and richer semantic grounding by aligning 3D and textual representations. Extensive experiments on the ScanRefer and Nr3D benchmarks demonstrate that 3D CoCa significantly outperforms current state-of-the-arts by 10.2% and 5.76% in CIDEr at 0.5IoU, respectively. Code will be available at https://github.com/AIGeeksGroup/3DCoCa.