目录

一、SpatialVLM

1、概述

2、方法

3、实验

二、SpatialRGPT

1、概述

2、方法

3、训练方法

4、实验

---

一、SpatialVLM

1、概述

        SpatialVLM是最早的依赖传统VLMs实现3D空间推理能力的论文，在24年1月由DeepMind团队提出，当时对比的还是GPT4v，Gemini-pro，qwen-vl-plus这一组大模型，这些大模型在空间推理上能力较差，究其原因是数据集的问题，缺少含有空间数据的图文对信息。

        所以SpatialVLM设计了一个新的数据集，然后在VLM上训练获得了强大的空间推理能力。

        从图例来看，SpatialVLM也是首次实现在VLM模型上输出准确的3D空间中具体数值信息的模型，其实这也归根于数据集中的深度信息和点云信息。

2、方法

Spatial VQA Dataset

        数据集从互联网图像中保留场景级照片，并设定一个自动化过程，无需人工标注。

（1）语义过滤：利用CLIP模型对图像分类，保留室内或室外场景照片，拒绝“单物体”“白色背景商品图”“GUI”截图等不适合空间推理的图像

（2）物体中心信息提取：整合多个专家模型，用开放词汇检测模型定位物体边界框，再用FlexCap生成该区域1-6词的差异化描述，避免传统检测器粗粒度歧义（很妙啊），之后用ShapeMask模型分割物体像素簇，支持后续3D重建

（3）2D->3D转换：采用ZoeDepth预测metric depth，利用内参转换到3D点云，并检测水平面信息，拟合平面方程，进而将点云转换到世界坐标系。（在appendix中有完整的介绍）

（4）歧义消除：比如同一个蛋糕，指代图像中的若干个蛋糕，所以计算所有物体描述的CLIP，对物体名字相似的物体加以方位词，分别这两个物体，如果没有解决，直接剔除该图像。

（5）QA模版生成：包括38类空间问题，定性问题和定量问题各占一半，每类问题含有20+问题模版和10+的答案模版，避免组合重复。对于答案生成，空间关系计算则基于物体3D bbox中心计算距离和方位，另外引入人类对齐处理，也就是准确数据如何转换为人类的模糊语言，比如数值四舍五入（0.86m->约1m)，概率化采样单位（80%采用公制单位，20%采用英制）

        Spatial VQA dataset如下：

架构设计

        沿用PaLM-E（的更小体量PaLM 2-S）架构实现，数据集混合原有的PaLM数据集（95%）和该论文的Spatial VQA dataset（5%），训练过程完全依赖PaLM的训练方法，PaLM架构如下，这个PaLM模型是一个具身智能领域的多模态大语言模型，主要是通过给定假设，给定图像条件，来实现规划和推理。但是这个模型也是缺乏3D信息的，只是依赖具身智能相关和通用图像信息来硬训练的。

        训练过程解冻ViT微调，使得视觉编码器学习几何特征。

链式空间推理

        将一个复杂的LLM问题拆解为若干个简单的空间子问题，并利用SpatialVLM发起子问题查询，最终利用LLM汇总子答案，合成结论。

        比如下图，询问“三个可乐罐是否构成等腰三角形？（最长边与最短边差<0.1米）”

        链式推理利用SpatialVLM计算每一个边的距离，最后利用LLM汇总，得到误差内是一个等腰三角形。

VLA结合 

        利用SpatialVLM生成奖励信号，来指导机器人动作优化。

        比如让机器臂去抓一个橘色茶杯，那么手与橘色茶杯的距离将作为机械臂强化学习的奖励，根据实时估计物体距离，生成单调递增的奖励曲线。   

3、实验

        在数据集中其实引入了一部分的高斯噪声，但是在实验中发现，引入一部分高斯噪声σ=0.2训练，仍能保证模型训练稳定，这也就证明了如果深度相机存在问题的情况下，仍然可以保证一定的准确性。下表为高斯噪声在σ=0.2下鲁棒性最高。答案在真实值的50%-200%范围内更高。

        当然当时没有那么多的评测benchmark，只能在正确性和稳定性上进行判断。这里评测的是对于时序问题的情况：

        二元谓词情况，可以理解为传统问题

        相比于backbone（PaLM）的对比，OKVQA和VQAv2都是通用知识的问题，OK-VQA更加依赖非视觉的外部知识，纯推理题，所以有所降低，但是对于VQAv2这种依赖视觉的推理知识可以提升一点。

二、SpatialRGPT

1、概述

        SptialRGPT同样是24年的论文（NVIDIA)，基于SpatialVLM的问题进一步优化。

        动机：同样是VLMs在空间推理任务上深度信息缺失的问题，但是扩展到区域级场景，整体上学习了SpatialVLM的很多操作，比如数据合成，空间推理时的物体歧义，链式推理，人类标注基准等，但SpatialRGPT相比于SpatialVLM提出了一个新的区域级评估，SpatialRGPT-Bench，覆盖更广的环境（包括室内，室外，模拟环境），另外SpatialVLM只是利用深度信息点云信息来构建问答数据集中的文本信息，SpatialRGPT则将深度估计器直接作为一个插件，并列于图像提取器，用于提取不同的数据信息，保证数据与文本之间的高度统一。

2、方法

SpatialRGPT数据集

        Open Spatial Dataset数据集分为两步，将单图生成三维场景图，再通过LLM生成复杂的VQA对。

        对于数据集的图像来源主要为OpenImages数据集（1.7M图像）。

（1）图像过滤：通过CLIP-based开放词汇分类模型（这里用的EVA-CLIP）进行图像分类，方法与Spatial-VLM相同，并且定义正面标签和负面标签，过滤掉负面的标签信息（700K)。正例更专注于自然场景。

（2）开放词汇检测与分割：优化了SpatialVLM中的专家模型，这里先利用图像标注模型Recognize Anything识别所有对象类标签，确保泛化性，之后采用GroundingDino来实现开放词汇下检测，获取对象边界框，采用SAM-HQ模型细化边界框为高精度掩码，确保对象轮廓准确。

        这一套流程可以理解为，图像标注模型获得整张图片中有哪些物品，开放词汇下检测获取每一个物体的检测框，SAM则根据这个检测框和文字信息，获得他的准确物体掩码。

（3）度量深度估计：从单张图像中预测深度图，使用Metric3Dv2模型预测深度和表面法线，之后将深度图投影到3D点云，感觉以往的单图估计方法应该不太准确。

（4）相机校准：使用WidCamera模型预测4自由度内参，并利用PerspectiveFields获取每个像素上的向量和纬度值，转换为相机外参，通过旋转矩阵将点云从相机坐标系转换到世界坐标系。这种方法也是后来很常用的方法，没有采用SpatialVLM中依赖地面分割，得到地面坐标系的方法，因为这种方法可能因为地面没有正确分割而失败。

（5）构建3D场景图：3D场景图类似于一个集合，比如Graph=（Nodes，Edges)，其中节点表示物体实例（如椅子，苹果），边表示物体间空间关系（如椅子在苹果左侧）。

        首先在原有的世界坐标系下的场景点云图中，通过移除离群点，体素下采样，DBSCAN剔除噪声，并通过两个视角下的点云信息，使用轴对齐边界框（AABB）拟合可以获得空间关系，并且提到方向包围盒OBB虽然更准确，但是缺乏物体姿态估计。

        对于每个位置的空间关系，定义相对关系和度量关系两种，最终输出场景图。比如下面这种：

{"nodes": [{"id": 0, "label": "apple", "width": 0.2, "height": 0.3},{"id": 1, "label": "table", "width": 1.5, "height": 0.8}],"edges": [{"source": 0, "target": 1, "relation": "on_top", "distance": 0.4},{"source": 0, "target": 1, "relation": "left", "horizontal_dist": 0.3}]
}

（6）生成模版基础VQA对：提取场景图节点的信息，使用预定义的模版生成问题，比如下图的模板对。

（7）依赖LLM生成复杂的VQA对：依赖于Llama3-70B结合（6）中的基础VQA对，生成更加依赖语言的描述，创建推理性问题。

（8）整合数据集：最终数据集包含8M的模版基础QA和0.7M的LLM-based QA，并利用人类验证过滤错误标注。

        Open Spatial Dataset数据集如下：

SpatialRGPT模型架构

        SpatialRGPT依赖LLaMA2-7B大语言模型主干，输入部分采用双分支提取器，一个视觉编码器，一个区域特征提取器以及RGB和Depth连接器用于与大语言模型对齐。

        视觉编码器采用冻结的CLIP-ViT-L/14提取全局特征信息，分辨率为336x336。

        深度编码器权重采用RGB编码器初始化，同样采用CLIP-ViT-L/14提取特征，在Visual Backbone中关闭，不作为LLM的输入，只输入视觉编码器的输出CLIP特征。

        区域特征提取器依赖用户给定的框或掩码，作为定向区域的条件，用于提取局部CLIP特征，具体来说，依赖图像和深度的CLIP特征作为输入，经过两层反卷积上采样特征图，在掩码区域执行MaskPooling，边界框区域计算RoIAlign，从而生成区域RGB嵌入和区域深度嵌入。

        Connector层通过独立的线性层来对齐CLIP特征与LLM嵌入语言空间。

3、训练方法

        采用三阶段训练，完全冻结CLIP主干，减少训练成本。

        先单独利用CC3M图像-文本对训练RGB Connector对齐。

        在用MMC4+COYO通用VLM数据，进行视觉语言预训练，训练多模态信息，此时训练LLM+Region Feature Extractor。

        最后引入OSD数据和区域指令数据，和通用VQA数据，强化空间推理能力，训练深度Connector和Region Feature Extractor。

4、实验

Spatial-RGPT Bench

        SpatialRGPT-Bench是论文中提出的​​首个专为评估视觉语言模型（VLM）3D空间认知能力设计的基准​​。

        解决现有VLM在3D空间理解（如方向、距离、尺寸）上存在显著缺陷，如SpatialVLM模型依赖2D人工标注产生透视歧义，并且缺乏更多场景的需求。

        数据来源：包括室内场景SUNRGBD，ARKitScenes，室外场景nuScenes，KITTI，模拟场景Hypersim。

        数据标注：来自基于Omni3D预处理的3D立方体标注，并带有语义类别标签，所有物体在同一个相机坐标系下。

        问题设计：包括定性问题（方向关系，尺寸关系）与定量问题（距离，尺寸，方向）

        指标设计：定性问题--准确率，定量问题--成功率（误差±25%），相对误差，方向误差。并利用GPT-4作为裁判，判断定性问题中是否满足真值，定量问题上单位的标准性和误差计算。

        基线模型：实验中对比了三类基线包括盲测LLM（如GPT-4，仅文本输入），普通VLM（如GPT-4V，LLaVA-1.6），区域感知VLM（如KOSMOS-2框输入，RegionVILA掩码输入，GPT-4V+SoM交互标注，这一类都具有支持区域提示输入的特性）

        在eval中，定性实验中方向判断近乎完美，并且整体上显著超越基线。定量实验中由于深度信息的引入，显著提升度量精度。

        另外提到的一个SpatialRGPT-VILA模型是直接在预训练VILA-1.5上微调得到的，更加节省训练成本，在保留VILA所有语言模型和视觉编码器的情况下，将深度特征集成到统一框架上。在实验中测试通用benchmark，并没有因为微调降低原有的模型学习到的图像和视频理解信息。

        其中SpatialRGPT更适合基础空间感知（比如机器人奖励），Spatial-VILA更适合复杂环境实时推理（多跳推理）。

        同样的，SpatialRGPT类比SpatialVLM也可以计算奖励用于机器人的路径规划下。

        多跳推理。

参考论文：

[2401.12168] SpatialVLM: Endowing Vision-Language Models with Spatial Reasoning Capabilities

[2406.01584] SpatialRGPT: Grounded Spatial Reasoning in Vision Language Models