本記事では、物理環境内での直感的な人間とAIのインタラクションを実現するための、3Dオープンボキャブラリー言語フィールドをモデル化する必要性について説明しています。既存の先進的手法であるLangSplatは、3Dガウススプラッティングを用いて、CLIPのような高次元モデルから抽出した特徴を効率的に構築しますが、シーン固有の自動エンコーダの訓練が必要なため、スケーラビリティに制約があります。本研究では、Gen-LangSplatを提案し、事前に大規模なScanNetデータセットで訓練された一般化自動エンコーダに置き換えることで、この制約を解消します。このアーキテクチャの変更により、新しいシーンでも事前訓練されたコンパクトな潜在空間を使用でき、シーン固有の訓練は不要です。その結果、クエリ性能がLangSplat法と同等またはそれ以上であることを示し、リアルタイムのインタラクティブな3D AIアプリケーションに向けた道を切り開きます。