编辑：LRST
【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
