Uni3D

探索规模上统一的3D表征

10月10号的论文“Uni3D: Exploring Unified 3D Representation At Scale“，来自北京智源、清华和北大。

作者第一次将3D基础模型成功scale up到了十亿(1B)级别参数量，并使用一个模型在诸多3D下游应用中取得SOTA结果。

智源视觉团队近期的工作：3D视觉大模型Uni3D在ICLR 2024的评审中获得了688分，被选为Spotlight Presentation。在本文中，作者第一次将3D基础模型成功scale up到了十亿(1B) 级别参数量，并使用一个模型在诸多3D下游应用中取得SOTA结果。

论文地址：https://arxiv.org/abs/2310.06773

代码地址：https://github.com/baaivision/Uni3D

模型地址(6M-1B)：https://huggingface.co/BAAI/Uni3D

在过去的几年里，对图像或文本的放大表征进行了广泛的研究，并带来了视觉和语言学习的革命。然而，3D目标和场景的可伸缩表征相对来说还未被探索。这项工作提出Uni3D，一个三维基础模型，探索规模上的统一三维表征。Uni3D用2D初始化的ViT（vision Transformer）端到端预训练，将3D点云特征与图像-文本对齐特征进行对齐。通过简单的架构和pretext任务，Uni3D可以利用丰富的2D预训练模型作为初始化，并将图像-文本对齐模型作为目标，释放2D模型的巨大潜力，并将策略扩展到3D世界。有效地将Uni3D扩展到10亿个参数，并在广泛的3D任务上创下新纪录，如零样本分类、少样本分类、开放世界理解和部分分割。强大的Uni3D表示也支持3D绘画和野外检索等应用。

过去几年中，扩大的预训练语言模型（Brown2020；Liu2019；Raffel2020）在很大程度上彻底改变了自然语言处理。最近的一些工作（Rad-ford2021；Dosovitskiy2020；Bao2021；He2022；Fang2022）通过模型和数据规模化将语言的进步转化到2D视觉。从2D提升到3D，即学习一个可以在3D世界中迁移的可扩展3D表示模型，也是很吸引人的。最近，随着大规模3D数据集Objaverse的发布（Deitke 2023b），一些工作试图探索3D中的可扩展预训练，但是，要么仍然局限于小规模的3D主干（Xue 2021；b），要么很难扩展到相对较大的模型（Li2022），例如图中的72M。

本文首次展示了一个十亿规模的3D表示模型，该模型可以很好地迁移到不同的下游任务和场景。如图所示，与现有技术相比，Uni3D在各种零样本和少样本3D任务中产生了性能提升。具体而言，Uni3D在ModelNet上实现了88.2%的零样本分类准确率，这令人惊讶地与一些监督学习方法不相上下。Uni3D在其他具有代表性的3D任务上也取得了最先进的性能，如开放世界理解、部分分割等。

如图所示：Uni3D是一个用于大规模3D表示学习的统一且可扩展的3D预训练框架。把100万个3D形状与1000万个图像和7000万个文本进行配对，Uni3D扩展到10亿个参数。Uni3D用2D ViT作为3D编码器，通过丰富的2D预训练模型最佳2D先验进行初始化，然后再进行端到端预训练，将3D点云特征与来自CLIP模型的图像-文本对齐的特征再进行对齐

作者主要探索了3D视觉中scale up模型参数量和统一模型架构的可能性。在NLP / 2D vision领域，scale up大模型（GPT-4，SAM，EVA等）已经取得了很impressive的结果，但是在3D视觉中模型的scale up始终没有成功。Uni3D旨在将NLP/2D中scale up的成功复现到3D表征模型上。

实验中冻结了CLIP文本和图像编码器，同时专注于利用跨模态对比损失训练3D编码器。采用Adam（Kingma&Ba2014）优化器，其峰值学习率为1e-3，并随余弦学习率时间表逐渐降低。为了增强训练稳定性，我采用随机深度（Huang 2016）正则化。还利用了FLIP（Li 2023）技术，在训练期间随机屏蔽50%的点tokens，将时间复杂性降低了一半。预缓存所有形状的文本和图像CLIP嵌入，这样能够将总批量大小增加到1152，并大大加快训练。为了进一步改进训练过程，采用了带ZeRO一阶段优化器的DeepSpeed（Rasley2020）和带有动态损失伸缩的fp16精度（Rajbhandari2020）。利用上述策略，最大的模型，即具有10亿个参数的Uni3D-g，在24个NVIDIA 100-SXM4-40GB GPU运行大约20小时内收敛。

先前的方法（Rao2022；Yang2022）已经证明，从图像-文本对比学习中获得的知识，即CLIP，迁移的话，可以在2D密集预测任务（例如分割和检测）中产生显著的性能改进。然而，将这些知识迁移到3D密集预测任务中的研究很少。将Uni3D学习的全局点云-文本对齐，转换为局部点-文本对齐。目的是证明Uni3D中的目标级预训练足以学习详细的局部3D视觉概念。具体而言，选择Uni3D中ViT的第4层、第8层和最后一层的特征，表示为H4、H8和H12。根据PointNet++（Qi 2017b），用特征传播将群组特征H4、H8和H12上采样为逐点特征。在训练过程中，冻结Uni3D主干，只优化特征传播层中的参数，并监督对齐逐点特征和CLIP文本编码器提取的真值部分标签的文本特征。通过冻结学习的Uni3D参数，专注于有效地探索预训练的细粒度知识。

在这项工作中，作者提出了一个3D基础大模型Uni3D，直接将3D backbone统一为ViT（Vision Transformer），以此利用丰富和强大的2D预训练大模型作为初始化。Uni3D使用CLIP模型中的文本/图像表征作为训练目标，通过学习三个模态的表征对齐（点云-图像-文本）实现3D点云对图像和文本的感知。同时，通过使用ViT中成功的scale up策略，我们将Uni3D逐步 scale up，训练了从Tiny到giant的5个不同scale的Uni3D模型，成功地将Uni3D扩展到10亿级别参数。

Uni3D模型不同scale下的参数量和zero-shot分类结果

下游应用：

Uni3D在多个3D任务上达到SoTA，如：zero-shot classification, few-shot classification，open-world understanding, open-world part segmentation.

零样本/少样本分类

• Uni3D在ModelNet上实现了88.2%的零样本分类准确率，甚至接近了有监督学习方法的结果（如PointNet 89.2 %）；
• 在最困难的Objaverse-LVIS基准下，Uni3D取得了55.3%的零样本分类准确率，大幅刷新了该榜单。
• 而在Objaverse-LVIS基准的少样本分类测试中，Uni3D实现了83.1%的准确率（16样本下），明显超过了以往的最先进基准OpenShape 32%。

零样本分类任务下评估Uni3D，分别在 ModelNet（包含15个类别） 、ScanObjNN（包含40个类别） 、Objaverse-LVIS（包含1156个LVIS类别中的46832个形状）三个基准下进行实验。

开放世界的理解能力

研究团队采用与CLIP2相同的设置在ScanNet测试集下探究Uni3D在现实场景下的零样本识别性能。与之前最先进的SOTA方法PointCLIP、PointCLIP V2 、CLIP2Point 和CLIP2 相比，Uni3D表现最佳。

图中不同颜色代表了模型对于3D场景中不同物体的理解和类别识别，可以看到Uni3D对于场景的理解和真实Ground Truth（地面实况）更加接近，而先前方法如PointCLIP V2和CLIP2Point则有大量的错误识别。

Uni3D在少样本点云部件分割任务上也展示出了卓越的性能。下表结果显示，在各种实验条件下，Uni3D的性能都明显优于Point-BERT等基线方法。即便只使用每类一个样本训练，Uni3D也达到了使用10%的训练数据的先前基线方法（如PointNet++，Point-BERT）的水平，在训练集的规模相对减少两个数量级的情况下，仍能显示出Uni3D更强的细粒度3D结构理解能力。

由于学到了强大的多模态表征能力，Uni3D还能够做一些有意思的应用，如point cloud painting（点云绘画），text/image-based 3D shape retrieval（基于图像/文本的3D模型检索），point cloud captioning（点云描述）

点云绘画：体现了在3D AIGC上的潜在能力

给定一个文本，Uni3D通过优化点云的颜色来提高点云和文本在特征空间的相似度，基于此实现文本操控的点云内容创作和点云绘画。

点云绘制结果，(白色模型是初始点云)。如通过给定语句“拥有一只蓝色翅膀和一只黄色翅膀的蝴蝶”来创作编辑，生成对应的3D点云模型。

文本驱动/图像驱动的三维形状检索：体现在构建多模态检索库上的潜在能力

Uni3D通过学习到的统一的三维多模态表示，具有感知多个2D/语言信号的能力，可以通过图像或文本输入从大型3D数据集中检索三维形状。这是通过计算查询图像/文本提示的embedding与3D形状的embedding入之间的余弦相似度来实现了对查询的最相似3D形状的获取。

如在下图中，输入一个图像，Uni3D可以检索与这输入图像最为相似的1-2个形状。

例如上图中，如果输入多张图像，例如一张长犄角的鹿的图像和一张蛇的图像，Uni3D可以找到同时契合这两个输入图像的3D模型：一只长着角的蛇。

Uni3D 还可根据输入文本来检索 3D 形状

将之前已经成熟的“文搜图/图搜图”扩展到“文搜3D/图搜3D”，这使得检索互联网上大规模未标定的繁杂三维模型成为可能，为相关三维领域从业者、创作者搜集素材提供实用工具。

如给定文本“一个高质量的宫殿”，“钢铁侠”，Uni3D就可以从大规模3D数据库中检索到最接近该文本的多个3D模型。

Uni3D 还可给定点云生成对应的文本描述

Point cloud captioning.

Uni3D扩展为Text-to-3D generation tasks的评测指标

在text-to-3D研究领域，目前量化度量仍然是一个较难的问题。目前的量化指标都是将生成的3D模型渲染为2D图片，利用2D指标衡量生成质量。然而由于渲染角度互相独立以及3D模型自遮挡等问题，2D评价指标难以完全真实反映出3D生成模型的真实能力。如下图，生成的3D模型有明显的3D不一致性问题，但是单独看其中大部分的视角渲染图片都是正常的物体，导致2D评价指标往往难以反映生成3D模型的不一致问题。

作者团队近期推出的Text-to-3D generation 工作GeoDream提出利用目前最大最强的3D基础模型Uni3D,直接对3D模型进行评估，避免渲染带来的视角问题。相应的评价指标代码也开源到GeoDream的代码库中 (https://github.com/baaivision/GeoDream) 。

量化比较：在生成质量和语义保持性的量化测试上，GeoDream相比于之前方法取得显著提升。在基于渲染2D图片的量化指标(FID,CLIP-Score)和直接在3D空间度量生成的3D资产量化指标（Uni3D-Score）上均有提升，说明GeoDream渲染的图片和3D结构均有优势。

GeoDream生成模型 

原创作者: whaosoft 转载于: https://blog.51cto.com/whaosoft/11680408