3次元環境から物体を記述するデンス キャプションnタスクと、テキスト情報から指定された物体をローカライズするタスクGroundingが必要な情報レベルでシェアできる部分が多い。ここで、Jointlyで3D デンスキャプションとGroundingを学習する手法を提案。具体的に、Transformer構造をベースに2つのタスクの共通部分を扱う構造を構成し、ヘッドの部分をタスク別なものを用いる。