基于三维场景与语言数据联合的数据增强方法、装置及系统

本申请提供了一种基于三维场景与语言数据联合的数据增强方法、装置及系统，方法包括：获取3D场景数据以及对应的文本标注数据；分别对场景数据和文本标注数据进行预处理，得到预处理后的3D‑语言联合数据；对预处理后的3D‑语言联合数据依次进行多模态数据增强，语义质量过滤处理，得到目标3D‑语言联合数据集。本申请通过整合3D点云数据、RGB‑D图像、问答对和密集描述等多种数据源，利用数据预处理、多模态数据增强和语义质量过滤，实现高质量大规模数据集的自动构建，能够在提高3D场景理解和视觉问答任务的数据质量的同时，增强数据的多样性和泛化能力，为3D视觉理解、机器人任务规划等应用提供有力支持。