3D CoCa: Aprendizes Contrastivos são Geradores de Legendas 3D

3D CoCa: Contrastive Learners are 3D Captioners

April 13, 2025

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

cs.AI

Resumo

A descrição 3D, que visa descrever o conteúdo de cenas 3D em linguagem natural, continua sendo altamente desafiadora devido à esparsidade inerente das nuvens de pontos e ao alinhamento multimodal fraco nos métodos existentes. Para enfrentar esses desafios, propomos o 3D CoCa, uma nova estrutura unificada que combina de forma integrada o aprendizado contrastivo visão-linguagem com a geração de descrições 3D em uma única arquitetura. Nossa abordagem aproveita um backbone congelado CLIP visão-linguagem para fornecer ricos priors semânticos, um codificador de cena 3D espacialmente consciente para capturar contexto geométrico e um decodificador multimodal para gerar descrições detalhadas. Diferente dos métodos anteriores em duas etapas que dependem de propostas explícitas de objetos, o 3D CoCa otimiza conjuntamente os objetivos contrastivos e de descrição em um espaço de características compartilhado, eliminando a necessidade de detectores externos ou propostas manuais. Esse paradigma de treinamento conjunto resulta em um raciocínio espacial mais forte e uma fundamentação semântica mais rica, alinhando representações 3D e textuais. Experimentos extensivos nos benchmarks ScanRefer e Nr3D demonstram que o 3D CoCa supera significativamente os métodos state-of-the-art atuais em 10,2% e 5,76% no CIDEr a 0,5IoU, respectivamente. O código estará disponível em 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.