aixiv专栏：探索无编码器架构在3d大型多模态模型中的潜力
AIxiv专栏持续报道全球顶尖AI研究成果，已收录2000余篇来自高校和企业实验室的学术技术文章。欢迎投稿或联系报道，投稿邮箱：liyazhou@jiqizhixin.com；zhaoyunfeng@jiqizhixin.com
作者简介： 本文第一作者汤轶，上海科技大学本科毕业，师从李学龙教授，并在上海人工智能实验室实习。研究方向涵盖3D视觉、大模型高效迁移、多模态大模型和具身智能等，代表作包括Any2Point, Point-PEFT, ViewRefer等。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
- 论文标题: 探究无编码器架构在3D大型多模态模型中的潜力
- 作者单位: 上海人工智能实验室，西北工业大学，香港中文大学，清华大学
- 代码链接: https://www.php.cn/link/e685b42794dde47c8d8304eb462cc3ae
- 论文链接: https://www.php.cn/link/75291728e2d8458a104b6abd0b062b70
近年来，大型多模态模型(LMMs)研究蓬勃发展，旨在赋予大型语言模型(LLMs)解读多模态信息的能力，例如2D图像(LLaVA)和3D点云(Point-LLM, PointLLM, ShapeLLM)。主流LMMs通常依赖强大的多模态编码器(如2D的CLIP和3D的I2P-MAE)，虽然这些预训练编码器提供了丰富的预先知识，但也存在局限性，例如难以适应不同点云分辨率，以及编码器提取的特征可能无法满足LLMs的语义需求。
为此，研究人员首次系统性地研究了无编码器架构在3D LMMs中的应用潜力，直接将3D编码器的功能集成到LLM中。他们提出了首个无编码器架构的3D LMM——ENEL，其7B参数模型性能与当前最先进的ShapeLLM-13B相当，展现了无编码器架构的巨大潜力。
研究背景与动机
基于编码器的3D LMMs架构存在以下不足：
- 点云分辨率限制: 3D编码器通常在固定分辨率的点云上预训练，例如PointLLM的Point-BERT使用1024个点。然而，推理过程中的点云分辨率可能变化，导致信息丢失。ENEL在不同分辨率下表现出更强的鲁棒性。
- 嵌入语义差异: 3D编码器与LLMs的训练目标可能不一致，导致无法捕捉LLMs理解3D物体所需的语义信息。
技术方案
研究人员以PointLLM为基准模型，使用GPT-4评分标准在Objaverse数据集上评估不同策略。他们提出了两个关键问题：如何弥补3D编码器缺失的高层语义信息，以及如何将归纳偏置整合到LLM中以更好地感知3D几何结构。
LLM嵌入式语义编码
由于缺乏3D编码器，点云语义信息编码不足。研究人员评估了四种自监督学习损失（掩蔽建模、重建、对比学习和知识蒸馏）对无编码器3D LMM的影响，并提出了混合语义损失（Hybrid Semantic Loss），结合掩蔽建模和重建策略，有效地将高层语义嵌入LLM中，并保持几何一致性。
层次几何聚合策略
为了使LLM主动感知3D局部细节，研究人员提出了层次几何聚合策略，通过最远点采样、k-NN算法、门控自注意力机制和池化操作，逐步聚合局部几何信息，并通过几何传播将信息传递回整个点云。
实验结果
ENEL-7B在Objaverse基准测试中取得了显著成果，在3D物体描述和分类任务中均超越了之前的基于编码器的3D LMMs，并在3D-VQA任务上也表现出色。
实现细节
研究人员使用了7B Vicuna v1.1检查点，并详细描述了模型的嵌入层、训练过程（包括预训练和指令微调）、以及使用的硬件和软件配置。
这项工作为3D大型多模态模型的研究提供了新的方向，展现了无编码器架构的巨大潜力。
