Uni3D：探索规模上统一的3D表征

作者 | 黄浴  编辑 | 汽车人

原文链接：https://zhuanlan.zhihu.com/p/661365935

点击下方卡片，关注“自动驾驶之心”公众号

ADAS巨卷干货，即可获取

点击进入→自动驾驶之心【3D目标检测】技术交流群

本文只做学术分享，如有侵权，联系删文

10月10号的论文“Uni3D: Exploring Unified 3D Representation At Scale“，来自北京智源、清华和北大。

在过去的几年里，对图像或文本的放大表征进行了广泛的研究，并带来了视觉和语言学习的革命。然而，3D目标和场景的可伸缩表征相对来说还未被探索。这项工作提出Uni3D，一个三维基础模型，探索规模上的统一三维表征。Uni3D用2D初始化的ViT（vision Transformer）端到端预训练，将3D点云特征与图像-文本对齐特征进行对齐。通过简单的架构和pretext任务，Uni3D可以利用丰富的2D预训练模型作为初始化，并将图像-文本对齐模型作为目标，释放2D模型的巨大潜力，并将策略扩展到3D世界。有效地将Uni3D扩展到10亿个参数，并在广泛的3D任务上创下新纪录，如零样本分类、少样本分类、开放世界理解和部分分割。强大的Uni3D表示也支持3D绘画和野外检索等应用。

过去几年中，扩大的预训练语言模型（Brown2020；Liu2019；Raffel2020）在很大程度上彻底改变了自然语言处理。最近的一些工作（Rad-ford2021；Dosovitskiy2020；Bao2021；He2022；Fang2022）通过模型和数据规模化将语言的进步转化到2D视觉。从2D提升到3D，即学习一个可以在3D世界中迁移的可扩展3D表示模型，也是很吸引人的。最近，随着大规模3D数据集Objaverse的发布（Deitke 2023b），一些工作试图探索3D中的可扩展预训练，但是，要么仍然局限于小规模的3D主干（Xue 2021；b），要么很难扩展到相对较大的模型（Li2022），例如图中的72M。

本文首次展示了一个十亿规模的3D表示模型，该模型可以很好地迁移到不同的下游任务和场景。如图所示，与现有技术相比，Uni3D在各种零样本和少样本3D任务中产生了性能提升。具体而言，Uni3D在ModelNet上实现了88.2%的零样本分类准确率，这令人惊讶地与一些监督学习方法不相上下。Uni3D在其他具有代表性的3D任务上也取得了最先进的性能，如开放世界理解、部分分割等。

如图所示：Uni3D是一个用于大规模3D表示学习的统一且可扩展的3D预训练框架。把100万个3D形状与1000万个图像和7000万个文本进行配对，Uni3D扩展到10亿个参数。Uni3D用2D ViT作为3D编码器，通过丰富的2D预训练模型最佳2D先验进行初始化，然后再进行端到端预训练，将3D点云特征与来自CLIP模型的图像-文本对齐的特征再进行对齐。

实验中冻结了CLIP文本和图像编码器，同时专注于利用跨模态对比损失训练3D编码器。采用Adam（Kingma&Ba2014）优化器，其峰值学习率为1e-3，并随余弦学习率时间表逐渐降低。为了增强训练稳定性，我采用随机深度（Huang 2016）正则化。还利用了FLIP（Li 2023）技术，在训练期间随机屏蔽50%的点tokens，将时间复杂性降低了一半。预缓存所有形状的文本和图像CLIP嵌入，这样能够将总批量大小增加到1152，并大大加快训练。为了进一步改进训练过程，采用了带ZeRO一阶段优化器的DeepSpeed（Rasley2020）和带有动态损失伸缩的fp16精度（Rajbhandari2020）。利用上述策略，最大的模型，即具有10亿个参数的Uni3D-g，在24个NVIDIA 100-SXM4-40GB GPU运行大约20小时内收敛。

先前的方法（Rao2022；Yang2022）已经证明，从图像-文本对比学习中获得的知识，即CLIP，迁移的话，可以在2D密集预测任务（例如分割和检测）中产生显著的性能改进。然而，将这些知识迁移到3D密集预测任务中的研究很少。将Uni3D学习的全局点云-文本对齐，转换为局部点-文本对齐。目的是证明Uni3D中的目标级预训练足以学习详细的局部3D视觉概念。具体而言，选择Uni3D中ViT的第4层、第8层和最后一层的特征，表示为H4、H8和H12。根据PointNet++（Qi 2017b），用特征传播将群组特征H4、H8和H12上采样为逐点特征。在训练过程中，冻结Uni3D主干，只优化特征传播层中的参数，并监督对齐逐点特征和CLIP文本编码器提取的真值部分标签的文本特征。通过冻结学习的Uni3D参数，专注于有效地探索预训练的细粒度知识。

① 全网独家视频课程

BEV感知、毫米波雷达视觉融合、多传感器标定、多传感器融合、多模态3D目标检测、点云3D目标检测、目标跟踪、Occupancy、cuda与TensorRT模型部署、协同感知、语义分割、自动驾驶仿真、传感器部署、决策规划、轨迹预测等多个方向学习视频（扫码即可学习）

视频官网：www.zdjszx.com

② 国内首个自动驾驶学习社区

近2000人的交流社区，涉及30+自动驾驶技术栈学习路线，想要了解更多自动驾驶感知（2D检测、分割、2D/3D车道线、BEV感知、3D目标检测、Occupancy、多传感器融合、多传感器标定、目标跟踪、光流估计）、自动驾驶定位建图（SLAM、高精地图、局部在线地图）、自动驾驶规划控制/轨迹预测等领域技术方案、AI模型部署落地实战、行业动态、岗位发布，欢迎扫描下方二维码，加入自动驾驶之心知识星球，这是一个真正有干货的地方，与领域大佬交流入门、学习、工作、跳槽上的各类难题，日常分享论文+代码+视频，期待交流！

③【自动驾驶之心】技术交流群

自动驾驶之心是首个自动驾驶开发者社区，聚焦目标检测、语义分割、全景分割、实例分割、关键点检测、车道线、目标跟踪、3D目标检测、BEV感知、多模态感知、Occupancy、多传感器融合、transformer、大模型、点云处理、端到端自动驾驶、SLAM、光流估计、深度估计、轨迹预测、高精地图、NeRF、规划控制、模型部署落地、自动驾驶仿真测试、产品经理、硬件配置、AI求职交流等方向。扫码添加汽车人助理微信邀请入群，备注：学校/公司+方向+昵称（快速入群方式）

④【自动驾驶之心】平台矩阵，欢迎联系我们！