LL3DA

LL3DA

3D环境下的多模态语言和视觉互动助手

LL3DA是一种大型语言3D助手,能够在复杂的3D环境中响应视觉和文本交互。现有的多模态模型在3D场景理解中的挑战使得LL3DA采用点云直接作为输入,从而减少计算负担并提升性能。实验结果表明,LL3DA在3D密集描述和3D问答任务上优于其他3D视觉语言模型。其开源代码和预训练模型权重允许用户训练定制模型,并进一步拓展到更大规模的3D视觉语言基准上。

LL3DA3D环境点云3D语言模型视觉交互Github开源项目

LL3DA 项目介绍

项目背景

LL3DA 是一个旨在处理复杂 3D 环境中视觉和文本交互的大型语言 3D 助手。随着多模态模型技术的迅猛发展,人机交互的应用正在不断拓展。然而,如何让这些模型在复杂多变的 3D 场景中理解、推理以及规划,仍然是一个具有挑战性的课题。现有的研究通常依赖多视角图像,将 2D 特征投影到 3D 空间中来表示场景,但这会带来巨大的计算开销和性能下降。

项目简介

在这个背景下,LL3DA 作为一个全新的解决方案被提出。其主要优势在于直接使用点云作为输入,能够对文本指令和视觉提示进行响应。这种方法有助于模型更好地理解人机交互,并且解决了拥挤 3D 场景中模糊性的问题。实验表明,LL3DA 在 3D 密集标注和 3D 问答等任务中超越了许多现有的视觉语言模型。

最新动态

  • 2024 年 3 月 4 日:项目代码已全部开放,现在可以训练定制化模型。
  • 2024 年 2 月 27 日:LL3DA 已被 CVPR 2024 接收。
  • 2023 年 11 月 30 日:初始项目和论文已上传。

快速开始

环境安装

为了运行代码,用户需要安装所需的 Python 包,并在 CUDA 11.6 和 Python 3.8.16 环境下进行测试。

h5py scipy cython plyfile 'trimesh>=2.35.39,<2.35.40' 'networkx>=2.2,<2.3' 'torch=1.13.1+cu116' 'transformers>=4.37.0'

然后从源代码构建 pointnet2 和加速的 giou

数据准备

LL3DA 需要 3D 数据(例如 ScanNet)、自然语言标注以及预训练的语言模型权重。

  1. 下载并准备 ScanNet 3D 数据。
  2. 为训练模型准备语言注释。
  3. (可选)下载预训练的语言模型权重。

训练和评估

项目提供了多种训练脚本,用户可以根据不同的需求选择合适的语言模型进行训练。默认情况下,模型在八块 GPU 上训练。

训练步骤

用户可以从通用的 3D 任务出发,对模型进行调优以适应特定的任务需求。

bash scripts/opt-1.3b/train.generalist.sh

在训练完成后,用户可以在不同的数据集上对模型进行微调,例如 ScanQA 的 3D 问答任务。

评估步骤

为了评估 3D 通用模型,用户可以运行以下脚本进行测试。

bash scripts/opt-1.3b/eval.generalist.sh

引用

如果您发现 LL3DA 的代码或论文对您的研究有帮助,请考虑引用:

@misc{chen2023ll3da, title={LL3DA: Visual Interactive Instruction Tuning for Omni-3D Understanding, Reasoning, and Planning}, author={Sijin Chen and Xin Chen and Chi Zhang and Mingsheng Li and Gang Yu and Hao Fei and Hongyuan Zhu and Jiayuan Fan and Tao Chen}, year={2023}, eprint={2311.18651}, archivePrefix={arXiv}, primaryClass={cs.CV} }

致谢

特别感谢在项目中借鉴了 Vote2Cap-DETR3D-LLMScan2Cap3DETR 的代码和数据。

许可证

LL3DA 的代码是根据 MIT 许可证 发布的。如有任何问题,欢迎提出 issue!

编辑推荐精选

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。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

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。

下拉加载更多