传统的3D场景理解方法依赖于带标签的3D数据集，用于训练一个模型以进行单一任务的监督学习。我们提出了OpenScene，一种替代方法，其中模型在CLIP特征空间中预测与文本和图像像素共同嵌入的3D场景点的密集特征。这种零样本方法实现了与任务无关的训练和开放词汇查询。例如，为了执行最先进的零样本 3D语义分割，它首先推断每个3D点的CLIP特征，然后根据与任意类别标签的嵌入的相似性对它们进行分类。更有趣的是，它实现了一系列以前从未实现过的开放词汇场景理解应用。例如，它允许用户输入任意文本查询，然后查看一个热图，指示场景的哪些部分匹配。我们的方法在复杂的3D场景中有效地识别对象、材料、功能、活动和房间类型，所有这些只使用一个模型进行训练，而无需任何带标签的3D数据。

1. Introduction

3D场景理解是计算机视觉中的一项基本任务。给定一个带有一组RGB图像的3D网格或点云，目标是推断每个3D点的语义、可视性、功能和物理属性。例如，给定图1所示的房子，我们想要预测哪些表面是风扇(语义)的一部分，由金属(材料)制成，在厨房(房间类型)内，人可以坐在哪里(可供性)，人可以在哪里工作(功能)，哪些表面是柔软的(物理性质)。这些问题的答案可以帮助机器人与场景进行智能交互，或者通过交互式查询和可视化帮助人们理解场景。

（图1：开放词