A Comprehensive Survey of 3D Dense Captioning: Localizing and Describing Objects in 3D Scenes

三维密集字幕生成是一项新兴的视觉-语言桥接任务，旨在为三维场景生成多个详细准确的描述。与二维视觉字幕相比，它更接近真实世界，同时在三维点云数据的收集和处理方面存在复杂性，因此具有重要的潜力和挑战。尽管现有方法受到广泛关注和成功应用，但缺乏全面的综述，这阻碍了该领域的进展。本文提供了对三维密集字幕生成的全面综述，包括任务定义、架构分类、数据集分析、评估指标和深入的繁荣讨论。通过综合以前的文献，我们精炼了一个标准流程，作为现有方法的共同范例。我们还介绍了现有模型的清晰分类法，总结了不同模块涉及的技术，并进行了详细的实验分析。我们将方法分为不同的类别，而不是按时间顺序介绍，以便于探索和分析现有技术之间的差异和联系。此外，我们提出了一系列有前途的未来方向，通过识别挑战并将其与相关任务的发展相一致，提供有价值的见解，激发未来该领域的研究。我们的目标是提供对三维密集字幕生成的全面理解，促进进一步的研究，并为多媒体和相关领域的新应用做出贡献。

本文旨在提供对三维密集字幕生成的全面回顾，涵盖任务定义、架构分类、数据集分析、评估指标和深入繁荣讨论等方面，以促进更深入的研究和发展。

本文提出了一个标准流程，作为现有方法的共同范例，并引入了现有模型的清晰分类法，总结了不同模块涉及的技术，并进行了详细的实验分析。

本文提供了一个阅读指南，以帮助具有不同背景和目的的读者高效阅读。此外，本文还提出了一系列有前途的未来方向，通过识别挑战并将其与相关任务的发展相一致，为这个领域的未来研究提供了有价值的见解和启发。

最近的相关研究包括：《3D视觉推理：综述》、《点云生成网络：综述》、《3D场景理解：综述》等。