计算机视觉与模式识别会议（CVPR 2025）作为全球计算机视觉与人工智能领域最具影响力的顶级学术会议，将于2025年6月11日至15日在美国田纳西州纳什维尔召开。北京通用人工智能研究院（简称“通研院”）联合斯坦福大学、北京大学、DeepMind、马普所、Amazon等机构，共同举办的第五届三维场景理解研讨会（5th Workshop on 3D Scene Understanding）将于6月11日上午召开，会议聚焦视觉、图形学与机器人学的交叉领域，深入探索下一代AI系统与三维环境交互中面临的核心挑战。
简介 通用人工智能的核心目标是赋予系统类人化的环境交互能力，实现复杂任务的自主规划与执行，而三维场景理解是其不可或缺的底层支撑。为实现智能系统与物理环境的深度交互，完成具有挑战性的具身任务这一目标，来自计算机视觉、计算机图形学、机器人学等不同领域的研究者们在多个方向开展了探索，并在诸多关键技术上取得突破性进展，包括：不同三维表征的优势与适用场景（如NeRF、Gaussian Splatting）、数据与模型的规模化，基于大规模数据（如：LAION-5B、Objaverse(XL)、Open X-Embodiment）训练的基础模型（如SAM(2)、Stable (Video) Diffusion），以及端到端的视觉-语言-动作（VLA）模型（如RT-X）等。
然而，当前研究面临着新的基础性问题：如何建立对环境的系统性认知框架？如何整合不同领域的创新成果，推动下一代AI的持续发展？这些核心议题又进一步引发了深度思考：
（1）传统场景解析/检测/定位，在当今发展中扮演何种角色？
（2）如何通过场景理解技术优化物理交互？
（3）纯粹端到端模型与大规模数据集的扩展能否奏效？抑或中间表征，甚至符号表征，在某些任务中更具优势？
”
自2019年起，3D场景理解研讨会（3D Scene Understanding Workshop）已举办四届（2019、2020、2021、2023年），围绕“3D场景理解”这一核心主题，聚焦计算机视觉、图形学与机器人学的交叉领域。从早期的“数据集构建”“3D表示学习”“跨模态重建”（2019-2021年），逐步深化至“物理推理与交互建模”“多任务通用模型”（2023年）。通过邀请计算机视觉、机器人学、认知科学等领域学者，持续打破学科壁垒，推动“视觉-图形-机器人”的深度融合，呼应AI技术从感知到认知的演进需求。
具体发展脉络如下：
2019年
2019年（Long Beach）：首届线下CVPR Workshop，以“3D场景解析、重建与交互”为核心，邀请Marc Pollefeys、Jitendra Malik等知名学者，首次搭建跨学科交流平台。
2020-2021年
2020-2021年（虚拟）：受疫情影响转为线上会议，延续基础议题并拓展至“具身任务场景理解”“神经场景表示”等方向，吸引超350人在线参与，推动虚拟协作与全球参与。
2023年
2023年（Vancouver）：恢复混合形式，新增“多模态情境问答竞赛（SQA3D）”，聚焦具身智能与场景交互，首次发布Objaverse XL数据集，强化工业界与学术界联动。
本次研讨会@CVPR2025将聚焦“智能体与三维场景深度交互的基础技术探索”这一主题，重点讨论人工智能在新时代下增强交互能力的关键要素，突破具身智能的交互瓶颈，研究三维场景的物理属性建模，提升智能体与物体的交互成功率。通过特邀报告，研讨会旨在凝聚学界共识，激发创新理念，并推动在未来2至5年具有突破性潜力的研究进展。
技术挑战赛
为推进三维场景多模态理解与推理的前沿探索，本届研讨会设立三大技术挑战赛，聚焦具身智能核心能力的评测与突破。
Track1: 情境问答挑战（Situated QA，SQA）
任务目标: 在给定三维场景及智能体情境描述（如位置、视角等）的前提下，回答与场景动态交互相关的复杂问题。任务允许使用场景真实坐标信息，考察模型对空间语义与情境逻辑的联合推理能力。
Track2: 多模态情境问答挑战（Multi-modal Situated QA，MSQA）
任务目标: 通过交错融合的文本、图像与点云数据，理解智能体所处情境。回答需综合细粒度物体属性（如材质、功能）、空间关系（如方位、拓扑），以及场景动态感知等复杂问题，以此评测多模态融合与跨模态推理的极限。
Track3: 层次化视觉定位挑战（Hierarchical Visual Grounding，HVG）
任务目标: 从区域级到物体级、从单目标到跨目标关系的逐层递进，根据自然语言描述在三维场景中精确定位目标物体。任务覆盖空间布局解析、属性关联推理及复杂关系建模能力，考验模型对场景层次化的理解极限。
参赛对象：诚邀相关领域的研究人员以及工业界技术团队参与挑战，共同推动三维场景理解，探索具身智能的技术边界！
演讲嘉宾
本次研讨会汇聚全球顶尖学者，特邀嘉宾包括：Deva Ramanan（CMU），Angel X. Chang（SFU），Daniel Cremers（TUM），Carl Vondrick（Columbia），Iro Armeni（Stanford），Kiana Ehsani（Vercept），Guanya Shi（CMU）
组织团队
挑战赛组织团队：
资深顾问：
了解更多信息及挑战赛详情，请访问：
https://scene-understanding.com/
北京通用人工智能研究院