Referlt3D 数据集适用于 3D visual grounding 及 3D dense captioning 任务，包括 2 个大规模 visio-linguistic 互补的数据集：

Sr3D 数据集：包含 83.5K 基于模板的句子，利用细粒度对象类之间的空间关系，定位场景中引用的对象；

Nr3D 数据集：包括 41.5K 自然发生、形式不限的句子，这些句子是通过在 3D 场景中部署一个 2 人游戏收集的 。