3D Visual Groundingタスクは指定された言語で3次元空間から物体検出を行う。このタスクでシーンの観測視点が結果に影響が大きいが、既存手法は主に１視点を検討する。ここで複数視点を利用し視点変更に対してロバストな手法を構築した。提案手法では3次元データを複数視点に変更し、それらを別々でTransformerにより特徴抽出し最後にAggregateすることにより性能向上を実現。