MM-Spatial: Esplorazione della comprensione spaziale 3D nei modelli linguistici multimodali
MM-Spatial: Exploring 3D Spatial Understanding in Multimodal LLMs
March 17, 2025
Autori: Erik Daxberger, Nina Wenzel, David Griffiths, Haiming Gang, Justin Lazarow, Gefen Kohavi, Kai Kang, Marcin Eichner, Yinfei Yang, Afshin Dehghan, Peter Grasch
cs.AI
Abstract
I modelli linguistici multimodali di grandi dimensioni (MLLM) eccellono nella comprensione visiva 2D, ma rimangono limitati nella capacità di ragionare sullo spazio 3D. In questo lavoro, sfruttiamo dati su larga scala di scene 3D di alta qualità con annotazioni open-set per introdurre 1) un nuovo dataset di fine-tuning supervisionato e 2) un nuovo benchmark di valutazione, focalizzato su scene indoor. Il nostro dataset Cubify Anything VQA (CA-VQA) copre una vasta gamma di compiti spaziali, tra cui la previsione delle relazioni spaziali, la stima delle dimensioni metriche e delle distanze, e il grounding 3D. Dimostriamo che CA-VQA ci permette di addestrare MM-Spatial, un MLLM generalista di grande efficacia che raggiunge anche prestazioni all'avanguardia nei benchmark di comprensione spaziale 3D, incluso il nostro. Mostriamo come l'incorporazione della profondità metrica e degli input multi-vista (forniti in CA-VQA) possa ulteriormente migliorare la comprensione 3D, e dimostriamo che i dati da soli consentono al nostro modello di raggiungere capacità di percezione della profondità paragonabili a modelli dedicati di stima della profondità monoculare. Pubblicheremo il nostro dataset SFT e il benchmark.
English
Multimodal large language models (MLLMs) excel at 2D visual understanding but
remain limited in their ability to reason about 3D space. In this work, we
leverage large-scale high-quality 3D scene data with open-set annotations to
introduce 1) a novel supervised fine-tuning dataset and 2) a new evaluation
benchmark, focused on indoor scenes. Our Cubify Anything VQA (CA-VQA) data
covers diverse spatial tasks including spatial relationship prediction, metric
size and distance estimation, and 3D grounding. We show that CA-VQA enables us
to train MM-Spatial, a strong generalist MLLM that also achieves
state-of-the-art performance on 3D spatial understanding benchmarks, including
our own. We show how incorporating metric depth and multi-view inputs (provided
in CA-VQA) can further improve 3D understanding, and demonstrate that data
alone allows our model to achieve depth perception capabilities comparable to
dedicated monocular depth estimation models. We will publish our SFT dataset
and benchmark.