百万鲁棒数据训练，3D场景大语言模型新SOTA！IIT等发布Robin3D

【新智元导读】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：

https://arxiv.org/abs/2410.00255