Uni3D是一个统一的、可扩展的3D预训练框架,用于大规模3D表示学习。它使用2D初始化的ViT进行端到端预训练,将3D点云特征与图像-文本对齐特征对齐。通过简单的架构和预训练任务,Uni3D可以利用丰富的2D预训练模型作为初始化,以及图像-文本对齐模型作为目标,释放2D模型和扩展策略在3D世界的巨大潜力。