ICML25 Oral | ReferSplat 实现语言驱动的3D高斯场景精准分割

点击下方卡片，关注「3D视觉工坊」公众号
选择星标，干货第一时间送达

来源：3D视觉工坊

「3D视觉从入门到精通」知识星球(点开有惊喜) ！星球内新增20多门3D视觉系统课程、入门环境配置教程、多场顶会直播、顶会论文最新解读、3D视觉算法源码、求职招聘等。想要入门3D视觉、做项目、搞科研，欢迎扫码加入！

论文地址：https://arxiv.org/abs/2508.08252
项目代码：https://github.com/heshuting555/ReferSplat

论文概述

该论文提出了三维高斯指代性分割（R3DGS）这一新任务，旨在实现基于自然语言描述（通常包含空间关系或对象属性）在三维高斯渲染场景中的目标对象分割。该任务要求模型根据自然语言识别目标对象，即使这些对象在当前视角下可能被遮挡或不可见，具有显著的挑战性。为推动该方向研究，论文构建了首个用于该任务的数据集 Ref-LERF，并提出了 ReferSplat 框架。该框架引入空间感知建模范式，将自然语言表达与三维高斯点直接对齐建模，显著增强了模型对复杂空间关系和多模态语义的理解能力。ReferSplat在新提出的 R3DGS 任务和三维开放词汇分割基准上均取得了领先性能。该工作为多模态三维理解和具身智能的发展奠定了基础，在推动人工智能向更自然、更灵活的人机交互方向演进方面具有重要意义。研究动机：从“类别匹配”走向“会理解空间关系的3D指代” 现有3DGS语义开放词汇分割方法，多依赖将渲染的2D语义特征与文本类名做匹配；训练阶段文本与3D高斯并不直接交互，难以处理“左边/后面/桌子上的那个……”等相对位置关系，对遮挡更是无能为力。这使它们在真实场景的语言互动中受限。我们将问题前移，直接在3D高斯层面建模与语言的对应关系，并提出R3DGS任务与Ref-LERF数据集来系统评估这一能力。Ref-LERF的描述更长、更强调空间词汇，平均句长大于13.6 个词，显著高于以往 3DGS 语义数据的“类名匹配”设定的开放词汇分割，更贴近真实交互需求。

方法

ReferSplat的核心在于：把语言理解“灌注”到 3D 高斯上，并在 3D 空间内完成与文本的精确对齐与推理。框架包含四个关键组件：

1. 高斯语言指代场

为每个 3D 高斯引入“指代特征向量”，用来度量其与文本词向量/句向量的相似度；渲染阶段不再只渲染颜色或语义特征，而是直接渲染“高斯-文本相似度响应图”，得到分割掩码，并用伪真值监督。这样文本与 3D 高斯在训练中显式交互，具备跨视角、跨遮挡的语言定位能力。

2. 位置感知的跨模态交互

仅有语义还不够，指代语句常带空间关系。我们从高斯中心坐标提取位置嵌入，并通过与词特征的对齐，推断文本端的位置线索；再用位置引导的注意力联合优化高斯指代特征，使其同时编码语义+位置，从而在“左侧/后方/靠近某物体”等描述下做出准确分割。

3. 伪掩码生成

我们用 Grounded-SAM 产生多候选掩码，并提出置信度加权的 IoU 选择策略：同时考虑候选间 IoU 一致性与模型置信，显著提升伪掩码质量，进而提升最终分割精度。

4. 高斯—文本对比学习

针对“语义相近但指代不同目标”的歧义表达，我们从响应最高的高斯集合中汇聚出正样本高斯嵌入，与对应文本做对象级对比学习，显著增强细粒度区分能力。并采用两阶段优化：第一阶段模型渲染的掩码再反哺第二阶段训练，进一步提升鲁棒性。

一句话理解ReferSplat：在3D高斯层上加上语言感知，用位置感知的注意力与对比学习把语言和3D空间严丝合缝地对齐；伪掩码质量用置信 IoU把关，最后再两阶段精修。

实验

我们在新构建的 Ref-LERF上评估R3DGS任务，并在LERF-OVS、3D-OVS 等开放词汇基准上全面对比。Ref-LERF共4个真实场景、59 个物体、295 条语言描述（训练 236，测试 59），空间词汇与细粒度属性描述更丰富。

1. Ref-LERF上的R3DGS结果

R3DGS 主结果：ReferSplat 在 Ref-LERF 上以 29.2 mIoU 取得最优，显著超过 Grounded-SAM（15.8）、LangSplat（13.9）、GS-Grouping（14.4）与 GOI（20.5）；在 “ramen / kitchen / figurines / teatime” 等场景均有明显优势（如 35.2 / 24.4 / 25.7 / 31.3）。这验证了“3D 高斯层上的语言交互 + 位置建模 + 对比学习”的有效性。