3D-VisTA - 简化3D视觉和文本对齐的新型预训练模型

3D-VisTA：3D视觉和文本对齐的预训练Transformer

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。

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

安装conda包

conda env create --name 3dvista --file=environments.yml

安装pointnet2

cd vision/pointnet2
python3 setup.py install

准备数据集

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

下载scanrefer+referit3d、scanqa和sqa3d，并将它们放在/data/scanfamily/annotations下

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

下载所有检查点并将它们放在 project/pretrain_weights 下

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}
}