• 论文地址：https://arxiv.org/abs/2410.00255
• 代码将开源：https://github.com/WeitaiKang/Robin3D
  

介绍

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 MLLMs所能接触的广泛的多模态数据不同，3DLLMs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，他们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，我们提出一个强大3DLLM--Robin3D。其在大规模鲁棒数据上得到训练。特别的，我们提出了 “鲁棒指令数据生成引擎”（Robust Instruction Generation, RIG） ，旨在生成两种数据：

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。我们的对抗性指令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。我们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 (LLMs) 强大的上下文学习能力，我们使用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，我们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。

Robin3D在模型上与Chat-Scene类似。我们使用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。可是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。同时他们简单的物体ID和物体特征拼接缺乏对ID-特征的充分联结，使其在我们这种复杂的指令数据上面临训练的困难。

因此，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

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。

ID-特征捆绑

如图1所示，我们的ID-特征捆绑（ID-Feature Bonding, IFB）主要包含两个操作。首先，我们使用两个相同的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，我们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

如图3，我们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。

Hybrid Object Probing Evaluation (HOPE)--图3左上

为了构建一个场景级别的基于类别的任务，我们引入了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，我们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。

Hybrid Referring Object Classification (HROC)--图3右上

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。我们的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，我们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。

Partial Factual 3D Visual Grounding (PF-3DVG)--图3左下

我们的 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。我们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”。

Faithful 3D Question Answering (3DFQA)--图3右下

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，我们提出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，我们从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，我们新增一个指令：“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，训练在我们的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。我们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，我们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+）。

为了丰富表述风格，我们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4（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），我们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。我们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。

我们的重述输出 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4（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，我们可以通过检测 rephrase= 关键字方便地收集输出。图 4（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，因此我们不再为这些任务提供额外示例。