将场景作为Token：用于通用3D视觉-语言理解的多尺度正态分布变换分词器

本文介绍了一种新的3D视觉-语言理解方法，通过使用多尺度正态分布变换（NDT）将3D场景表示为token。该方法旨在改进视觉和文本信息的整合，用于场景理解和物体识别等任务。与原始点云或体素网格相比，使用NDT可以更有效、更稳健地表示3D数据。多尺度方面可能捕获不同粒度级别的细节。对通用理解的关注表明，该方法旨在适用于各种3D视觉-语言任务。

• •提出了一种使用多尺度正态分布变换（NDT）对3D场景进行token化的新方法。
• •旨在改进3D视觉-语言理解。
• •与传统方法相比，可能提供更有效、更稳健的3D数据表示。
• •专注于通用的3D视觉-语言任务。