본 논문은 3D 장면 이해 발전을 위해, 다중 시점 2D 이미지와 멀티모달 대규모 언어 모델(MLLM)을 활용하여 생성된 상세한 다중 레벨 설명을 담은 새로운 데이터셋 DenseScan을 소개합니다. DenseScan은 장면 요소의 밀도 있는 캡셔닝을 통해 객체 수준의 상세한 설명을 제공하며, 객체 속성, 공간 관계, 장면 컨텍스트를 통합하는 시나리오 기반 질문 생성을 통해 주석을 확장합니다. DenseScan은 기하학적 세부 정보와 의미적 풍부함을 결합하여 시각-언어 내비게이션 및 대화형 질문 응답과 같은 다운스트림 작업 범위를 넓힙니다. 실험 결과는 3D 환경에서 객체 수준의 이해와 질문 응답 성능을 기존 주석 파이프라인보다 향상시켰음을 보여줍니다.
