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

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

下拉加载更多