論文の概要: Ground3D-LMM: Fine-Grained 3D Point Grounding and Spatial Reasoning with LMM

• arxiv url: http://arxiv.org/abs/2607.05493v1
• Date: Mon, 06 Jul 2026 18:00:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.291966
• Title: Ground3D-LMM: Fine-Grained 3D Point Grounding and Spatial Reasoning with LMM
• Title（参考訳）: Ground3D-LMM:細粒度3次元点接地とLMMによる空間共振
• Authors: Amol Harsh, Zongyan Han, Jean Lahoud, Ye Liu, Rao Muhammad Anwer, Hisham Cholakkal, Salman Khan, Fahad Khan,
• Abstract要約: 3D環境に関する自然言語クエリは、応答が検証可能で測定可能なときに実行可能である。 既存の3次元大規模マルチモーダルモデル (LMM) のアプローチは限定的である。 我々は,点雲と任意のRGB画像を入力として取り出す統一モデルであるGround3D-LMMを提案し,三次元空間会話をサポートする。
• 参考スコア（独自算出の注目度）: 54.042182747931925
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Natural-language queries about 3D environments become actionable when responses are verifiable and metric. Verifiability requires explicit grounding to the referred 3D region, while metric answers report physical measurements in real-world units (e.g., size, thickness, clearance, and distance). Existing 3D large multimodal models (LMMs) approaches remain limited: conversational systems typically respond without explicit 3D grounding, while 3D grounding models are not designed for interactive, metric-aware dialogue. In this paper, we present Ground3D-LMM, a unified model that takes a point cloud and an optional RGB image as input and supports 3D spatial conversation with (i) point-grounded responses and (ii) metric numeric outputs at both object and part granularity, including multi-object queries. To evaluate this intersection of grounding and measurement, we define the 3D Grounded Measurement task, which requires predicting the referred 3D region and the corresponding metric quantities in real-world units. We introduce a large-scale dataset built on ScanNet and ScanNet++ datasets with dense object and part annotations and roughly 2.5M question-answer pairs spanning eight tasks, along with a manually verified test set. Extensive experiments on multiple datasets and tasks show that our proposed Ground3D-LMM model provides a strong baseline for grounded, metric-aware 3D conversational understanding. Our dataset and model are publicly available.
• Abstract（参考訳）: 3D環境に関する自然言語クエリは、応答が検証可能で測定可能なときに実行可能である。 検証容易性は、3D領域への明示的な根拠を必要とするが、メトリクスの回答は現実世界の単位(例えば、サイズ、厚さ、クリアランス、距離)の物理的測定を報告している。 既存の3次元大規模マルチモーダルモデル(LMM)アプローチは依然として限定的であり、会話システムは3Dグラウンドを明示せずに応答するのに対し、3Dグラウンドモデルは対話的でメートル法を意識した対話のために設計されていない。 本稿では,点雲と任意の RGB 画像を入力として取り出す統一モデルである Ground3D-LMM について述べる。 (一)接地応答及び (ii)マルチオブジェクトクエリを含む、オブジェクトと部分の粒度の両方でのメトリック数値出力。 この接地と測定の交点を評価するために,実世界の単位における言及された3次元領域と対応する計量量の予測を必要とする3次元接地計測タスクを定義した。 我々は,ScanNetとScanNet++のデータセット上に構築された大規模データセットを紹介した。 複数のデータセットとタスクに対する広範囲な実験により,提案したGround3D-LMMモデルが,地上の3次元対話理解のための強力なベースラインを提供することが示された。 私たちのデータセットとモデルは公開されています。

関連論文リスト

• N3D-VLM: Native 3D Grounding Enables Accurate Spatial Reasoning in Vision-Language Models [45.008146973701855]
  N3D-VLMは、ネイティブな3Dオブジェクト認識と3D認識の視覚的推論をシームレスに統合する新しい統合フレームワークである。 RGB/RGB-D入力からの回答を直接予測する従来のエンドツーエンドモデルとは異なり、本手法はネイティブな3Dオブジェクト認識機能を備えたモデルである。
  論文  参考訳（メタデータ） (2025-12-18T14:03:44Z)
• Space3D-Bench: Spatial 3D Question Answering Benchmark [49.259397521459114]
  Space3D-Benchは、Replicaデータセットのシーンに関連する1000の一般的な空間的質問と回答の集合である。 本研究では,事前定義された接地真実解に基づいて,自然言語応答を評価評価するシステムを提案する。 最後に,基礎モデルの世界理解をリッチな文脈検索と統合したRAG3D-Chatというベースラインを導入する。
  論文  参考訳（メタデータ） (2024-08-29T16:05:22Z)
• MMScan: A Multi-Modal 3D Scene Dataset with Hierarchical Grounded Language Annotations [55.022519020409405]
  本稿では,マルチモーダルな3Dシーンデータセットと階層型言語アノテーションを用いたベンチマーク,MMScanを構築した。 結果として得られたマルチモーダルな3Dデータセットは、109kオブジェクトと7.7kリージョン上の1.4Mメタアノテーション付きキャプションと、3Dビジュアルグラウンドと質問応答ベンチマークのための3.04M以上の多様なサンプルを含んでいる。
  論文  参考訳（メタデータ） (2024-06-13T17:59:30Z)
• Grounded 3D-LLM with Referent Tokens [58.890058568493096]
  そこで我々は,Grounded 3D-LLMを提案する。 このモデルは、3Dシーンを参照するために特別な名詞句としてシーン参照トークンを使用する。 タスクごとの指示追従テンプレートは、3D視覚タスクを言語形式に翻訳する際の自然と多様性を保証するために使用される。
  論文  参考訳（メタデータ） (2024-05-16T18:03:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。