3D-VisTA

3D-VisTA

简化3D视觉和文本对齐的新型预训练模型

3D-VisTA是一种新型预训练变换器模型,专注于3D视觉和文本对齐。该模型采用简洁统一的架构,无需复杂的任务特定设计,可轻松适应多种下游任务。通过在大规模ScanScribe数据集上预训练,3D-VisTA在视觉定位、密集字幕生成等3D视觉语言理解任务中达到了领先水平。此外,该模型还表现出优异的数据效率,即使在标注数据有限的情况下也能保持强劲性能。

3D-VisTA计算机视觉自然语言处理预训练模型多模态融合Github开源项目

3D-VisTA:3D视觉和文本对齐的预训练Transformer

<p align="left"> <a href='https://arxiv.org/pdf/2308.04352.pdf'> <img src='https://img.shields.io/badge/论文-PDF-red?style=plastic&logo=adobeacrobatreader&logoColor=red' alt='论文 PDF'> </a> <a href='https://arxiv.org/abs/2308.04352'> <img src='https://img.shields.io/badge/论文-arXiv-green?style=plastic&logo=arXiv&logoColor=green' alt='论文 arXiv'> </a> <a href='https://3d-vista.github.io/'> <img src='https://img.shields.io/badge/项目-主页-blue?style=plastic&logo=Google%20chrome&logoColor=blue' alt='项目主页'> </a> <a href='https://huggingface.co/spaces/SceneDiffuser/SceneDiffuserDemo'> <img src='https://img.shields.io/badge/演示-HuggingFace-yellow?style=plastic&logo=AirPlay%20Video&logoColor=yellow' alt='HuggingFace'> </a> <a href='https://drive.google.com/drive/folders/1UZ5V9VbPCU-ikiyj6NI4LyMssblwr1LC?usp=share_link'> <img src='https://img.shields.io/badge/模型-检查点-orange?style=plastic&logo=Google%20Drive&logoColor=orange' alt='检查点'> </a> </p>

朱子昱马晓健陈一新邓志东📧、 黄思源📧、 李青📧

本仓库是ICCV 2023论文"3D-VisTA:3D视觉和文本对齐的预训练Transformer"的官方实现。

论文 | arXiv | 项目 | HuggingFace演示 | 检查点

<div align=center> <img src='https://yellow-cdn.veclightyear.com/0a4dffa0/f48b1a86-4694-46a5-ab9b-b2c6c78fa2d0.png' width=60%> </div>

摘要

3D视觉语言接地(3D-VL)是一个新兴领域,旨在将3D物理世界与自然语言连接起来,这对于实现具身智能至关重要。目前的3D-VL模型严重依赖复杂的模块、辅助损失和优化技巧,这呼吁一个简单统一的模型。在本文中,我们提出了3D-VisTA,一个用于3D视觉和文本对齐的预训练Transformer,可以轻松适应各种下游任务。3D-VisTA仅使用自注意力层进行单模态建模和多模态融合,没有任何复杂的任务特定设计。为了进一步提高其在3D-VL任务上的性能,我们构建了ScanScribe,这是首个用于3D-VL预训练的大规模3D场景-文本对数据集。ScanScribe包含2,995个RGB-D扫描,涵盖1,185个独特的室内场景,源自ScanNet和3R-Scan数据集,并配有278K个场景描述,这些描述是从现有的3D-VL任务、模板和GPT-3生成的。3D-VisTA通过掩码语言/对象建模和场景-文本匹配在ScanScribe上进行预训练。它在各种3D-VL任务上取得了最先进的结果,包括视觉定位、密集描述、问答和情境推理。此外,3D-VisTA展示了卓越的数据效率,即使在下游任务微调时使用有限的标注也能获得强大的性能。

安装

  1. 安装conda包
conda env create --name 3dvista --file=environments.yml
  1. 安装pointnet2
cd vision/pointnet2
python3 setup.py install

准备数据集

  1. 按照Vil3dref的说明,在data/scanfamily/scan_data下下载scannet数据,该文件夹应如下所示:
./data/scanfamily/scan_data/
├── instance_id_to_gmm_color
├── instance_id_to_loc
├── instance_id_to_name
└── pcd_with_global_alignment
  1. 下载scanrefer+referit3dscanqasqa3d,并将它们放在/data/scanfamily/annotations
data/scanfamily/annotations/
├── meta_data
│   ├── cat2glove42b.json
│   ├── scannetv2-labels.combined.tsv
│   ├── scannetv2_raw_categories.json
│   ├── scanrefer_corpus.pth
│   └── scanrefer_vocab.pth
├── qa
│   ├── ScanQA_v1.0_test_w_obj.json
│   ├── ScanQA_v1.0_test_wo_obj.json
│   ├── ScanQA_v1.0_train.json
│   └── ScanQA_v1.0_val.json
├── refer
│   ├── nr3d.jsonl
│   ├── scanrefer.jsonl
│   ├── sr3d+.jsonl
│   └── sr3d.jsonl
├── splits
│   ├── scannetv2_test.txt
│   ├── scannetv2_train.txt
│   └── scannetv2_val.txt
└── sqa_task
    ├── answer_dict.json
    └── balanced
        ├── v1_balanced_questions_test_scannetv2.json
        ├── v1_balanced_questions_train_scannetv2.json
        ├── v1_balanced_questions_val_scannetv2.json
        ├── v1_balanced_sqa_annotations_test_scannetv2.json
        ├── v1_balanced_sqa_annotations_train_scannetv2.json
        └── v1_balanced_sqa_annotations_val_scannetv2.json
  1. 下载所有检查点并将它们放在 project/pretrain_weights
检查点链接说明
预训练链接3D-VisTA 预训练检查点。
ScanRefer链接从预训练检查点微调的 ScanRefer。
ScanQA链接从预训练检查点微调的 ScanQA。
Sr3D链接从预训练检查点微调的 Sr3D。
Nr3D链接从预训练检查点微调的 Nr3D。
SQA链接从预训练检查点微调的 SQA。
Scan2Cap链接从预训练检查点微调的 Scan2Cap。

运行 3D-VisTA

要运行 3D-VisTA,请使用以下命令,任务包括 scanrefer、scanqa、sr3d、nr3d、sqa 和 scan2cap。

python3 run.py --config project/vista/{task}_config.yml

致谢

我们要感谢 Vil3dref 的作者开源发布。

新闻

  • [ 2023.08 ] 首个版本发布!
  • [ 2023.09 ] 我们发布了所有下游任务的代码。

引用:

@article{zhu2023vista,
  title={3D-VisTA: Pre-trained Transformer for 3D Vision and Text Alignment},
  author={Zhu, Ziyu and Ma, Xiaojian and Chen, Yixin and Deng, Zhidong and Huang, Siyuan and Li, Qing},
  journal={ICCV},
  year={2023}
}

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多