SpatialVLM: Vision-Language Modellen Uitrusten met Ruimtelijk Redeneervermogen

SpatialVLM: Endowing Vision-Language Models with Spatial Reasoning Capabilities

January 22, 2024

Auteurs: Boyuan Chen, Zhuo Xu, Sean Kirmani, Brian Ichter, Danny Driess, Pete Florence, Dorsa Sadigh, Leonidas Guibas, Fei Xia

cs.AI

Samenvatting

Het begrijpen en redeneren over ruimtelijke relaties is een fundamentele vaardigheid voor Visuele Vraag Antwoord (VQA) en robotica. Hoewel Vision Language Models (VLM) opmerkelijke prestaties hebben laten zien in bepaalde VQA- benchmarks, ontbreekt het hen nog steeds aan mogelijkheden voor 3D-ruimtelijk redeneren, zoals het herkennen van kwantitatieve relaties van fysieke objecten zoals afstanden of grootteverschillen. We veronderstellen dat de beperkte ruimtelijke redeneervaardigheid van VLMs te wijten is aan het ontbreken van 3D- ruimtelijke kennis in de trainingsdata en streven ernaar dit probleem op te lossen door VLMs te trainen met internet-schaal ruimtelijke redeneerdata. Hiertoe presenteren we een systeem om deze aanpak te faciliteren. We ontwikkelen eerst een automatisch 3D-ruimtelijk VQA-datageneratieframework dat kan opschalen tot 2 miljard VQA-voorbeelden op 10 miljoen real-world afbeeldingen. Vervolgens onderzoeken we verschillende factoren in het trainingsrecept, waaronder data-kwaliteit, trainingspipeline en VLM-architectuur. Ons werk omvat de eerste internet-schaal 3D-ruimtelijke redeneerdataset in metrische ruimte. Door een VLM te trainen op dergelijke data, verbeteren we aanzienlijk zijn vermogen voor zowel kwalitatieve als kwantitatieve ruimtelijke VQA. Tot slot tonen we aan dat deze VLM nieuwe downstream-toepassingen mogelijk maakt in keten-van-gedachte ruimtelijk redeneren en robotica vanwege zijn kwantitatieve schattingsvermogen. Projectwebsite: https://spatial-vlm.github.io/

English

Understanding and reasoning about spatial relationships is a fundamental capability for Visual Question Answering (VQA) and robotics. While Vision Language Models (VLM) have demonstrated remarkable performance in certain VQA benchmarks, they still lack capabilities in 3D spatial reasoning, such as recognizing quantitative relationships of physical objects like distances or size differences. We hypothesize that VLMs' limited spatial reasoning capability is due to the lack of 3D spatial knowledge in training data and aim to solve this problem by training VLMs with Internet-scale spatial reasoning data. To this end, we present a system to facilitate this approach. We first develop an automatic 3D spatial VQA data generation framework that scales up to 2 billion VQA examples on 10 million real-world images. We then investigate various factors in the training recipe, including data quality, training pipeline, and VLM architecture. Our work features the first internet-scale 3D spatial reasoning dataset in metric space. By training a VLM on such data, we significantly enhance its ability on both qualitative and quantitative spatial VQA. Finally, we demonstrate that this VLM unlocks novel downstream applications in chain-of-thought spatial reasoning and robotics due to its quantitative estimation capability. Project website: https://spatial-vlm.github.io/