从「最强2D」升维「最强3D」！智源联合清北重磅发布10亿参数Uni3D视觉大模型

---

  新智元报道  

计算机视觉是人工智能的眼睛，三维视觉的研究赋予这双眼睛探知真实空间纵深与距离的能力。

如何让机器人在复杂场景里更聪明地路径规划，与周边的一切精准交互？三维视觉模型的发展被寄予重望。

近日，智源研究院联合清北开源发布了当前最大三维视觉通用模型Uni3D，这一10亿参数的三维点云表征模型，取得了主流3D视觉能力的全方位性能突破，堪称三维基础模型中的「六边形战士」。

三维视觉能力雷达图：

- 在主流三维视觉榜单上全面超越此前SOTA；

- 对于衡量视觉通用能力至关重要的分类任务，以及零样本识别、理解、分割任务等，都有超预期表现。

值得一提的是，出品Uni3D的智源视觉团队，此前曾发布最强10亿通用视觉模型EVA。

而本次三维视觉模型的突破关键，正是利用ViT技术，将「最强2D」预训练基础经验升维至「最强3D」的极致推进。

论文链接：https://arxiv.org/abs/2310.06773

代码/模型链接：

https://github.com/baaivision/Uni3D

https://huggingface.co/BAAI/Uni3D/tree/main/modelzoo

作为大规模预训练表征模型，Uni3D展现出超预期的通用能力，胜任各项主流视觉能力。

全面发展，全面超越，看看Uni3D的各项成绩怎么样？

01 零样本/少样本分类任务，是衡量视觉模型通用能力的关键性指标

• 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%。

02 对开放世界的理解，可以评估Uni3D对真实世界的形状和场景的三维理解能力

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。

从下图可更为直观地感受到，Uni3D在ScanNet数据集上的开放场景零样本识别结果，相比其他方法更为准确，拥有强大的对真实场景的理解能力。

03 表征迁移能力，体现了Uni3D迁移表征到不同任务的能力

Uni3D在少样本点云部件分割任务上展示出卓越性能。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。

从以下在ShapeNetPart数据集的one-shot零部件分割对比图中可以看出，Uni3D可以在one-shot训练中产生更精确的分割结果。

Uni3D可以在仅见过一个训练模型的情况下，取得对测试数据细粒度部件的准确分割，如「飞机机翼」和「发动机」等，这证明了Uni3D强大的表征迁移能力。

04 开放词汇分割，体现了对于未知信息的推测能力

下表为Uni3D在ShapeNetPart数据集上的开放词汇语义分割结果。

对比显示，通过对「可见类别」子集中的部件进行训练后，即便对于未在训练集中见过的「不可见类别」，Uni3D也能精确分割出细粒度的部件类别，这显示了Uni3D强大的开放词汇细粒度推理能力。

05 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。

06 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征，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。

07 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。

智源视觉团队此前推出了最强10亿通用视觉模型EVA；Uni3D模型的发布，一举将成熟的2D视觉大模型和扩展策略的经验推广到3D视觉领域。

ViT技术在其中扮演了关键角色：

Uni3D采用与2D Vision Transformer (ViT)网络结构完全相同的骨干模型，把三维基础大模型有效扩展到十亿参数规模。

而基于和2D统一的框架，Uni3D可以使用丰富的2D预训练模型作为初始化，无须特殊复杂设计。

对于扩大三维表征模型的规模以全面理解爆炸性增长的三维数据，现阶段所面临的主要挑战在于：

• 一方面以前的方法为追求性能提升设计了特定的骨干网络结构，这些3D骨干结构在不同下游任务的数据集上，每个骨干结构都需要专门设计的扩展策略，需要繁复的人工设计工作，不易实现；
• 另一方面，扩大模型规模将导致在没有有效参数初始化的情况下难以实现收敛和训练不稳定。

针对上述难点，智源视觉团队在构建Uni3D模型过程中提出了2项创新方法，成功将扩大语言和视觉模型的经验转化到了三维领域，为广泛的三维任务提供解决方案，为潜在的下游应用铺平了道路。

01 统一的三维表征

研究团队利用一个结构上等同于2D Vision Transformer (ViT)作为Uni3D的基础模型。

唯一的区别在于，将ViT中的分词器替换为一个特定的点分词器，以实现三维嵌入。点分词器首先使用FPS（最远点采样）和KNN（K最近邻）将点分组成局部块，再使用微小的PointNet提取每个块的分词的embedding，输入到Transformer。

借鉴ViT的扩展策略，逐渐将Transformer从Tiny（6M）、Small（23M）、Base（88M）、Large（307M）扩展到Giant（1B），后将Uni3D的Transformer替换为不同规模的ViT，作为不同模型大小的Uni3D的扩展版本。在不同模型规模下的性能表明，扩展Uni3D的参数量可以显著提高3D表征效果。

Uni3D大模型的提出，证实了在3D表征上大模型的有效性和优势所在，也为后续3D大模型的参数量扩展提供了一条稳定且有效的参考范式。

借助统一的ViT作为三维表征，Uni3D可以灵活地利用最先进的二维预训练模型来初始化Uni3D。

Uni3D不受特定CLIP的限制，可以灵活地将其切换到不同模型规模的现成最先进的CLIP模型，以获得更好的性能。

下图为Uni3D在不同规模的CLIP下的性能，最佳性能是通过智源视觉团队此前提出的最强50亿参数视觉语言基础模型EVA-CLIP实现的。

EVA模型学习了强大且通用的表征，可以作为跨模态对比学习（例如CLIP）的良好初始化，EVA学到的通用模式在改善和稳定Uni3D的训练中起到了关键作用。

02 多模态对齐

为将二维视觉和语言的理解引入到三维领域，需要训练统一的模型，以对齐语言、图像和点云的表征。

通过在二维视觉领域全面探索扩展ViT的方法，在采用统一的扩展策略下，研究团队在一个大规模数据集中，包括近百万个三维形状、1000万张图像和7000万个文本配对数据，引入了多模态对齐学习方法来训练Uni3D。