Uni3D

Uni3D

突破性统一3D表示学习框架

Uni3D是一个创新的3D预训练框架,致力于大规模3D表示学习。该框架采用2D预训练模型初始化,通过端到端训练实现3D点云与图像-文本特征对齐。Uni3D凭借简洁架构和高效预训练,成功将模型规模扩展至10亿参数,在多项3D任务中取得突破性进展,展现了将2D深度学习优势迁移至3D领域的巨大潜力。

Uni3D3D表示零样本分类预训练点云Github开源项目
<div align='center'> <h2><a href="https://arxiv.org/abs/2310.06773">Uni3D:探索规模化统一3D表示</a></h2>

周俊生<sup>1,2*</sup>王金生<sup>1*</sup>马宝瑞<sup>1*</sup>刘雨生<sup>2</sup>黄铁军<sup>1,3</sup>王鑫龙<sup>1</sup>

<sup>1</sup>北京智源人工智能研究院<sup>2</sup>清华大学<sup>3</sup>北京大学 <br><sup>*</sup> 同等贡献

ICLR 2024(聚光灯论文)

PWC PWC PWC

</div> <p align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/fbaf64de-c39e-4717-afde-df60997cbf72.jpg" alt="概览" width="800" /> </p>

我们提出了Uni3D,这是一个统一且可扩展的3D预训练框架,用于大规模3D表示学习,并探索其在十亿参数规模下的极限。Uni3D使用2D初始化的ViT进行端到端预训练,将3D点云特征与图像-文本对齐的特征对齐。通过简单的架构和预训练任务,Uni3D可以利用大量2D预训练模型作为初始化,并将图像-文本对齐模型作为目标,从而释放2D模型和扩展策略在3D领域的巨大潜力。我们高效地将Uni3D扩展到十亿参数规模,并在广泛的3D任务上创造了新纪录。

进度安排

我们致力于开源Uni3D相关材料,包括:

  • 将Uni3D扩展为3D评估指标(Uni3D-score),以增强文本到3D任务中的语义一致性。详情请参见GeoDream
  • 参数范围从6M到1B的模型权重。
  • 评估代码
  • 评估数据
  • 预训练代码
  • 预训练数据

我们希望通过开源和促进合作来推动我们社区的发展👬。让我们一起朝着多模态智能迈进🍻。

安装

克隆此仓库并安装所需的包:

git clone https://github.com/baaivision/Uni3D.git cd Uni3D conda create -n uni3d python=3.8 conda activate uni3d conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia pip install -r requirements.txt # 从https://github.com/erikwijmans/Pointnet2_PyTorch安装pointnet2扩展 pip install "git+git://github.com/erikwijmans/Pointnet2_PyTorch.git#egg=pointnet2_ops&subdirectory=pointnet2_ops_lib"

核心包:

模型库

模型训练数据Objaverse-LVIS Top1(Top5)ModelNet40 Top1(Top5)ScanObjectNN Top1(Top5)
Uni3d-B集成(不含LVIS)45.9 (74.8)86.1 (98.7)61.7 (89.5)
Uni3d-B集成51.7 (80.8)86.3 (97.9)63.8 (90.2)
Uni3d-L集成(不含LVIS)46.2 (74.7)86.6 (97.8)58.4 (90.1)
Uni3d-L集成53.1 (81.5)86.3 (98.3)58.2 (89.4)
Uni3d-g集成(不含LVIS)47.2 (76.1)86.8 (98.4)66.5 (90.1)
Uni3d-g集成53.5 (82.0)87.3 (99.2)63.9 (91.7)
Uni3d-g 🔥集成55.3 (82.9)88.2 (99.3)65.3 (92.7)

零样本3D分类评估

我们在三个数据集上评估零样本3D分类性能:Objaverse-LVIS、ModelNet40和ScanObjectNN。

  1. 请参考DATASETS.md进行评估数据集准备。
  2. [推荐🤗] 下载clip模型并将其放在/path/to/clip_model文件夹中。
  3. 下载模型库权重并将它们放在/path/to/checkpoints文件夹中。
  4. 运行bash scripts/inference.sh [scale]来评估上述数据集上的模型,例如,bash scripts/inference.sh giant

预训练

  1. 请参考DATASETS.md进行预训练数据集准备。
  2. [推荐🤗] 下载clip模型并将其放在/path/to/clip_model文件夹中。
  3. [推荐🤗] 下载初始化模型并将其放在/path/to/init_model文件夹中。
  4. 运行bash scripts/pretrain.sh在集成数据集上预训练模型。

可视化

开放世界理解

<p align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/a133a4fc-1626-4e89-a203-5807f77846e7.jpg" alt="场景" width="800" /> </p>

单样本部件分割

<p align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/ce2f8f64-0978-40ba-85d9-75038371a90c.jpg" alt="部件分割" width="800" /> </p>

点云绘画

<p align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/3cdda23a-13ae-4b63-af52-05a2e15716f3.jpg" alt="编辑" width="800" /> </p>

跨模态检索

<p align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/2ab10c1d-0688-4144-bbb9-4454036f8376.jpg" alt="文本检索" width="800" /> </p> <p align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/9dbedfd1-dd45-48f6-868b-7ef461c64eaa.jpg" alt="检索" width="800" /> </p>

致谢

Uni3D基于出色的EVAOpenCLIPtimmDeepSpeedULIPOpenShape构建。

引用

@inproceedings{zhou2023uni3d, title={Uni3d: Exploring unified 3d representation at scale}, author={Zhou, Junsheng and Wang, Jinsheng and Ma, Baorui and Liu, Yu-Shen and Huang, Tiejun and Wang, Xinlong}, booktitle={International Conference on Learning Representations (ICLR)}, year={2024} }

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