SAR3D: Авторегрессивная генерация и понимание трехмерных объектов через многоуровневый 3D VQVAE

SAR3D: Autoregressive 3D Object Generation and Understanding via Multi-scale 3D VQVAE

November 25, 2024

Авторы: Yongwei Chen, Yushi Lan, Shangchen Zhou, Tengfei Wang, XIngang Pan

cs.AI

Аннотация

Авторегрессионные модели продемонстрировали выдающийся успех в различных областях, начиная от больших языковых моделей (LLM) до больших мультимодальных моделей (LMM) и генерации контента в 2D, приближаясь к искусственному общему интеллекту (AGI). Несмотря на эти достижения, применение авторегрессионных подходов к генерации и пониманию 3D объектов остается в значительной степени неисследованным. В данной статье представляется Scale AutoRegressive 3D (SAR3D), новая структура, которая использует многомасштабный 3D векторно-квантованный вариационный автокодировщик (VQVAE) для токенизации 3D объектов для эффективной авторегрессионной генерации и детального понимания. Предсказывая следующий масштаб в многомасштабном латентном представлении вместо следующего отдельного токена, SAR3D значительно сокращает время генерации, достигая быстрой генерации 3D объектов всего за 0,82 секунды на GPU A6000. Кроме того, учитывая токены, обогащенные иерархической 3D-информацией, мы донастраиваем предварительно обученную LLM на них, обеспечивая мультимодальное понимание 3D контента. Наши эксперименты показывают, что SAR3D превосходит текущие методы генерации 3D как по скорости, так и по качеству, и позволяет LLM интерпретировать и подписывать 3D модели всесторонне.

English

Autoregressive models have demonstrated remarkable success across various fields, from large language models (LLMs) to large multimodal models (LMMs) and 2D content generation, moving closer to artificial general intelligence (AGI). Despite these advances, applying autoregressive approaches to 3D object generation and understanding remains largely unexplored. This paper introduces Scale AutoRegressive 3D (SAR3D), a novel framework that leverages a multi-scale 3D vector-quantized variational autoencoder (VQVAE) to tokenize 3D objects for efficient autoregressive generation and detailed understanding. By predicting the next scale in a multi-scale latent representation instead of the next single token, SAR3D reduces generation time significantly, achieving fast 3D object generation in just 0.82 seconds on an A6000 GPU. Additionally, given the tokens enriched with hierarchical 3D-aware information, we finetune a pretrained LLM on them, enabling multimodal comprehension of 3D content. Our experiments show that SAR3D surpasses current 3D generation methods in both speed and quality and allows LLMs to interpret and caption 3D models comprehensively.