三维边界框的真值标注 inherently 存在模糊性，这主要由遮挡、信号缺失或人工标注误差等因素引起。这种模糊性在深度三维目标检测器的训练过程中容易造成混淆，从而降低检测精度。然而，现有方法在一定程度上忽视了这一问题，通常将标签视为确定性信息。本文将标签不确定性建模为物体潜在合理边界框之间的多样性，并提出 GLENet——一种基于条件变分自编码器（conditional variational autoencoders）的生成式框架，利用潜在变量来建模典型三维物体与其潜在真值边界框之间的“一对多”关系。GLENet 所生成的标签不确定性可作为即插即用模块，方便地集成到现有的深度三维检测器中，构建概率化检测器，并用于监督定位不确定性的学习。此外，我们还设计了一种面向不确定性的质量评估器架构，用于在概率化检测器中引导 IoU 分支的训练，使其能够利用预测的定位不确定性进行更有效的优化。我们将所提方法应用于多种主流三维检测器，在 KITTI 与 Waymo 两个基准数据集上均取得了显著且一致的性能提升。特别地，所提出的 GLENet-VR 在挑战性极强的 KITTI 测试集上超越了所有已发表的基于 LiDAR 的方法，成为单模态方法中的最优方案，排名第一。项目源代码与预训练模型已公开发布于 \url{https://github.com/Eaphan/GLENet}。