SQA3D: Situated Question Answering in 3D Scenes

要約

タイトル：SQA3D：3Dシーン内の状況把握に基づく質問応答

要約：
– 本研究では、物体を含むエージェントのシーン理解のための新しい課題を提案する。
– 3Dスキャンなどのシーンコンテキストが与えられた場合、SQA3Dはテストされたエージェントに、まずテキストによって説明される3Dシーン内の自分の状況（位置、方向など）を理解し、その状況下で周りの環境について推論して質問に答えることを要求する。
– ScanNetから650のシーンをベースにしたデータセットを提供し、6,800の独自の状況、20,400の説明、33,400の多様な推論質問を提供することで、幅広い推論能力を持つ賢明なエージェントに対して検証を行う。
– SQA3Dは現在のマルチモーダル、特に3D推論モデルに大きな挑戦を与える。
– 国内外の最先端のアプローチを評価し、最高のアプローチでも全体スコアが47.20％にしか達しない一方、アマチュアな人間参加者は90.06％のスコアを達成している。
– SQA3Dは、より強力な状況理解と推論能力を持つエンボデッドAI研究を促進することができる。

要約(オリジナル)

We propose a new task to benchmark scene understanding of embodied agents: Situated Question Answering in 3D Scenes (SQA3D). Given a scene context (e.g., 3D scan), SQA3D requires the tested agent to first understand its situation (position, orientation, etc.) in the 3D scene as described by text, then reason about its surrounding environment and answer a question under that situation. Based upon 650 scenes from ScanNet, we provide a dataset centered around 6.8k unique situations, along with 20.4k descriptions and 33.4k diverse reasoning questions for these situations. These questions examine a wide spectrum of reasoning capabilities for an intelligent agent, ranging from spatial relation comprehension to commonsense understanding, navigation, and multi-hop reasoning. SQA3D imposes a significant challenge to current multi-modal especially 3D reasoning models. We evaluate various state-of-the-art approaches and find that the best one only achieves an overall score of 47.20%, while amateur human participants can reach 90.06%. We believe SQA3D could facilitate future embodied AI research with stronger situation understanding and reasoning capability.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI