新智元报道
编辑：LRST
Robin3D 通过鲁棒指令数据生成引擎（RIG）生成的大规模数据进行训练，以提高模型在 3D 场景理解中的鲁棒性和泛化能力，在多个 3D 多模态学习基准测试中取得了优异的性能，超越了以往的方法，且无需针对特定任务的微调。
多模态大语言模型（Multi-modal Large Language Models, MLLMs）以文本模态为基础，将其它各种模态对齐至语言模型的语义空间，从而实现多模态的理解和对话能力。近来，越来越多的研究聚焦于 3D 大语言模型（3DLLM），旨在实现对 3D 物体以及复杂场景的理解，推理和自由对话。
与 2D MLLM 所能接触的广泛的多模态数据不同，3DLLM 的训练数据相对稀少。
即便过去有些工作尝试生成更多的多模态指令数据，但这类模型仍然在指令的鲁棒性上存在两点不足：
1. 绝大多数 3D 多模态指令数据对是正样本对，缺乏负样本对或者对抗性样本对。模型在这种数据上训练缺乏一定的辨识能力，因为无论被问到什么问题，模型只会输出正面的回答。因此碰到问题与场景无关时，模型也更容易出现幻觉。这种模型有可能只是记住了正样本对，而非真正地理解被问及的场景、物体、以及具体的指令。
2. 由于在造数据的过程中，人类标注员或者生成式大语言模型是按照既定的规则去描述物体的，很多由这些描述所转换而来的指令缺乏多样性。甚至有的数据是直接按照模板生成的。
为了解决以上问题，伊利诺伊理工大学、浙江大学、中佛罗里达大学、伊利诺伊大学芝加哥分校提出一个强大 3DLLM——Robin3D，在大规模鲁棒数据上进行训练。
论文地址：https://arxiv.org/abs/2410.00255
文中提出了「鲁棒指令数据生成引擎」（Robust Instruction Generation, RIG），可以生成两种数据：
1. 对抗性指令数据。该数据特点在于在训练集或者单个训练样本中，混合了正样本和负样本对（或者对抗样本对），从而使得模型在该类数据集训练能获得更强的辨识能力，该数据包含了物体层面到场景层面的、基于类别的指令和基于表达的指令，最终形成了四种新的训练任务，帮助模型解耦对正样本对的记忆。
2. 多样化指令数据，首先全面收集现有研究中的各种指令类型，或将一些任务转化为指令跟随的格式。为了充分利用大语言模型强大的上下文学习能力，研究人员使用 ChatGPT，通过为每个任务定制的特定提示工程模板来多样化指令的语言风格。
将这些与现有基准的原始训练集相结合，研究人员构建了百万级指令跟随样本，其中约有 34.4 万个对抗性数据（34%）、50.8 万个多样化数据（50%）和 16.5 万个基准数据（16%），如图1（右）所示。
图 1 Robin3D 在构建的百万级数据上训练（右），最终在所有 3D 多模态数据集上的性能超过之前的 SOTA（左）
Robin3D 在模型上与 Chat-Scene 类似：使用 Mask3D，Uni3D 来抽 3D 物体级别的特征，使用 Dinov2 来抽 2D 物体级别的特征，使用物体 ID 来指定和定位物体。
先前的方法在抽物体特征的时候，由于其物体级别的规范化(normalization)，不可避免的丢失了物体间的 3D 空间关系。同时简单的物体 ID 和物体特征拼接缺乏对 ID-特征的充分联结，使其在这种复杂的指令数据上面临训练的困难，而 Robin3D 引入了关系增强投射器来增强物体的 3D 空间关系，并使用 ID-特征捆绑来增强指代和定位物体时 ID 与特征之间的联系。
最终 Robin3D 在所有的 3D 场景多模态数据集上达到一致的 SOTA，并且不需要特定任务的微调。
方法
图 2 Robin3D 的模型结构
关系增强投射器
如图 2 所示，关系增强投射器(Relation-Augmented Projector, RAP)考虑三种特征：
1. Mask3D 所抽取的场景级别特征，这种特征经过多层 cross-attention 充分交互了语意和位置关系；
2. Mask3D 里的位置嵌入特征，这种特征由物体超点直接转换而来，代表了物体间的位置关系。
3. Uni3D 抽取的统一物体级别特征，这种特征和语言进行过大规模的对齐训练。
图 3 RAP 公式
如图 3 所示，通过 MLP 和短接的方式，对三种特征进行高效的融合，最终实现了即保持强大的统一物体级别语意信息、又增强了物体之间的空间位置关系。
ID-特征捆绑
如图 1 所示，的 ID-特征捆绑（ID-Feature Bonding, IFB）主要包含两个操作。首先，使用两个相同的 ID 来包裹其物体特征。
由于 LLM 的因果注意力机制，这种方法通过第一个 ID 将 ID 信息与物体特征关联起来，并通过第二个 ID 将物体信息与其 ID 关联起来。
其次，提出了一个后视觉顺序，将视觉 tokens 放置在输入序列的末尾，靠近模型生成的答案标记。
该方法减少了由于 tokens 间的相对距离和 LLM 中旋转位置嵌入所导致的从答案 tokens 到 ID-特征 tokens 的注意力减弱问题，同时增强了视觉信息对答案 tokens 的注意力影响，从而提升答案生成效果。
鲁棒指令数据生成引擎
对抗性数据生成
图 4 对抗性数据的四种任务
如图4，的对抗性数据形成了四种新的具备挑战性的任务 HOPE、HROC、PF-3DVG 和 3DFQA，包含了从物体到场景、从基于类比到基于表达的不同指令。
图 4 左上：Hybrid Object Probing Evaluation (HOPE)
为了构建一个场景级别的基于类别的任务，引入了 HOPE，灵感来自 2D 领域的 POPE 基准。POPE 通过询问关于单个物体存在与否的是/否问题，评估 2DMLLMs 产生幻觉的倾向。在此基础上，HOPE 将这种幻觉挑战扩展到 3D 领域的训练阶段，旨在让模型更具辨别力。
此外，HOPE 引入了一个混合场景，增加复杂性，进一步推动模型对记忆中的视觉与语言正样本的解耦。
具体来说，在给定的 3D 场景中，要求模型判断多个随机指定的物体是否存在。物体可能存在或不存在，且每个存在的物体可能有一个或多个实例。
当物体不存在时，模型需回答「否」；当物体存在时，需回答「是」并提供每个实例的物体 ID。这一设置结合了正负物体的混合识别与多实例物体定位，具有很高的挑战性。
图 4 右上：Hybrid Referring Object Classification (HROC)
指代物体分类任务旨在评估模型在 2D 域中识别指代区域的能力，使用「区域输入，文本输出」的形式。HROC 将此任务扩展到 3D 领域，创建了一个物体级别的基于类别的任务，并结合了对抗性和混合挑战。
在 3D 场景中，随机生成混合的正负 ID-类别样本对来提出问题。正样本对包含一个有效的物体 ID 和对应的真实类别，负对则包含一个有效的物体 ID 和随机选择的非真实类别，作为对抗性挑战。模型需对正样本对回答「是」，对负对回答「否」并给出正确类别。
图 4 左下：Partial Factual 3D Visual Grounding (PF-3DVG)
PF-3DVG 引入了一个场景级别的基于表达的任务，涵盖三种数据类型：非真实数据、部分真实数据和真实数据。
非真实数据：在 3D 场景中，随机选择 Sr3D+ 中的描述，其中所描述的物体不存在与当前 3D 场景。模型需回答「否」。
部分真实数据：给定 Sr3D+ 的描述及对应的 3D 场景，随机修改描述中的空间关系。例如，将「沙发上的枕头」改为「沙发下的枕头」。
模型需纠正信息并回答「它是在『上面』」，同时提供物体 ID。团队确保描述的目标物体类别是当前场景唯一的、无干扰项，以避免歧义。真实数据：随机增强空间关系的同义词以提高多样性，例如，将「below」替换为「under」、「beneath」或「underneath」。
图 4 右下：Faithful 3D Question Answering (3DFQA)
原始的 3D 问答任务仅包含正样本，可能导致模型记住固定的 3D 场景和问答对。为了解决这一问题，提出 3DFQA，一个结合了负样本和正样本的场景级别的基于表达的 QA 任务，其增加了定位的要求。
构建负样本时，从 ScanQA 中抽取问答对，并收集问题或答案中的相关物体，然后随机选择一个缺少这些物体的 3D 场景。在原来的问题上，新增一个指令：「如果可以，请回答……并提供所有 ID……」。
此时，模型必须回答「否」，并且不提供任何物体 ID，体现其对场景的依赖而不会胡言乱语总给出正面回复。正样本直接取自 ScanQA，模型需回答问题并提供相关物体的 ID 作为答案的依据。
因此，训练在的 3DFQA 数据集上的模型不能依靠记忆，而是要学会对正负样本做出忠实回应并有理有据。
多样化数据生成
多样化数据旨在通过结合多种不同任务类型的指令数据，并提高指令的语言多样性，从而增强模型的泛化能力。首先从基准数据集之外的不同任务中收集大规模数据。
具体而言，给定一个 3D 场景，收集以下任务的问答对：类别问答任务（来自 Chat-Scene），Nr3D 描述生成任务（转换自 Nr3D），外观描述生成任务（来自 Grounded-3DLLM），区域描述生成任务（来自 Grounded-3DLLM），端到端 3D 视觉定位（转换自 Nr3D），端到端 3D 视觉定位（转换自 Sr3D+）。
图 5 多样化数据的生成流程和详细的提示工程
为了丰富表述风格，开发了一个可扩展的流程，利用 ChatGPT 的上下文学习能力对上述数据进行重述。这通过一组示例和结构化提示工程实现，如图5（上）所示。
具体而言，给定一个收集的指令数据集D_task（其中任务包括 ScanRefer、Multi3DRefer、Nr3D、Sr3D+、Nr3D Captioning、ScanQA、SQA3D、PF-3DVG 和 3DFQA），构建了一个系统提示P_system，以指示重述的要求和结构化的输出格式，同时提供一个示例提示P_eg，以帮助 ChatGPT 更好地理解要求。
还随机选择一个温度参数T（从[1.1, 1.2, 1.3]中选取）以增加输出的随机性和多样性。的重述输出D_rephrase 通过公式D_rephrase = M (P_system, P_eg, D_task, T)生成，其中M是 ChatGPT 的 GPT-4o 版本。
图5（上）详细说明了P_system 和P_eg 的内容，以 ScanRefer 数据为例。通过使用 sentence=和 rephrase=的结构化提示，GPT-4o 能够轻松遵循要求，可以通过检测 rephrase=关键字方便地收集输出。
图5（下）提供了每个任务的示例提示的详细信息。由于 Nr3D Captioning 源于 Nr3D，PF-3DVG 源于 Sr3D+，而 3DFQA 源于 ScanQA，因此不再为这些任务提供额外示例。
实验
主要结果
表 1 性能对比结果
如表 1 所示，由于 RIG 生成的鲁棒指令数据，Robin3D 在所有基准测试中显著超越了之前的模型。具体而言，Robin3D 在 Scan2Cap CIDEr@0.5 上带来了 6.9% 的提升，在 ScanRefer Acc@0.25 上带来了 5.3% 的提升。值得注意的是，在包含零目标案例的 Multi3DRefer 评估中，这些案例对模型的区分能力提出了挑战，并要求模型能够回答「No」。的 Robin3D 在 F1@0.25 上实现了 7.8% 的提升，在 F1@0.5 上实现了 7.3% 的提升。
消融实验
表 2 和表 3 消融实验结果
如表 2 和表 3 所示，对提出的对抗性数据和多样化数据进行了消融实验，也对模型结构上 RAP 和 IFB 的提出做了消融实验。实验结果在所有 benchmark 上都证明了他们一致的有效性。
特别的，在表 2 中，对抗性数据对描述生成任务 Scan2Cap 带来了 8.9% 的提升，然而对抗性数据是不存在描述生成任务的，并且也不存在同源的数据（Scan2Cap 数据源自 ScanRefer, 但对抗性数据无源自 ScanRefer 的数据）。这种大幅的提升体现了对抗性数据对模型识别能力的提升。
参考资料：
