視覺語言模型 (VLM) 已經(jīng)在廣泛的任務(wù)上取得了顯著進(jìn)展，包括圖像描述、視覺問答 (VQA)、具身規(guī)劃、動作識別等等。然而大多數(shù)視覺語言模型在空間推理方面仍然存在一些困難，比如需要理解目標(biāo)在三維空間中的位置或空間關(guān)系的任務(wù)。

關(guān)于這一問題，研究者們常常從「人類」身上獲得啟發(fā)：通過具身體驗(yàn)和進(jìn)化發(fā)展，人類擁有固有的空間推理技能，可以毫不費(fèi)力地確定空間關(guān)系，比如目標(biāo)相對位置或估算距離和大小，而無需復(fù)雜的思維鏈或心理計(jì)算。

這種對直接空間推理任務(wù)的熟練，與當(dāng)前視覺語言模型能力的局限形成鮮明對比，并引發(fā)了一個(gè)引人注目的研究問題：是否能夠賦予視覺語言模型類似于人類的空間推理能力？

最近，谷歌提出了一種具備空間推理能力的視覺語言模型：SpatialVLM。

• 論文標(biāo)題：SpatialVLM: Endowing Vision-Language Models with Spatial Reasoning Capabilities
• 論文地址：https://arxiv.org/pdf/2401.12168.pdf
• 項(xiàng)目主頁：https://spatial-vlm.github.io/

值得注意的是，研究者假設(shè)當(dāng)前視覺語言模型在空間推理能力方面的限制并非源于其架構(gòu)的局限，而更可能是由于在大規(guī)模訓(xùn)練時(shí)所使用的常見數(shù)據(jù)集的限制。例如，許多視覺語言模型是在以圖像 - 描述對為特征的互聯(lián)網(wǎng)規(guī)模數(shù)據(jù)集上進(jìn)行訓(xùn)練的，這些數(shù)據(jù)集中包含的空間信息有限。存在限制的原因是獲取富含空間信息的具身數(shù)據(jù)或 3D 感知查詢的高質(zhì)量人工注釋比較困難，自動數(shù)據(jù)生成和增強(qiáng)技術(shù)是解決該問題的一種方法，然而很多之前的數(shù)據(jù)生成研究側(cè)重于生成具有真實(shí)語義標(biāo)注的照片逼真圖像，忽略了對象和 3D 關(guān)系的豐富性。

與之相反，本文研究者專注于直接從現(xiàn)實(shí)世界數(shù)據(jù)中提取空間信息，以捕捉真實(shí) 3D 世界的多樣性和復(fù)雜性。這一創(chuàng)新源自近期視覺模型方面在自動從 2D 圖像中生成 3D 空間注釋方面的進(jìn)展。

SpatialVLM 系統(tǒng)可以實(shí)現(xiàn)數(shù)據(jù)生成和對視覺語言模型進(jìn)行訓(xùn)練，以增強(qiáng)它們的空間推理能力。具體而言，研究者結(jié)合面向開放詞匯的目標(biāo)檢測（open-vocabulary detection）、度量深度估計(jì)、語義分割和以目標(biāo)為中心的描述模型，實(shí)現(xiàn)了在大規(guī)模地密集注釋真實(shí)世界數(shù)據(jù)。SpatialVLM 將由視覺模型生成的數(shù)據(jù)轉(zhuǎn)換成一種可用于描述、VQA 和空間推理數(shù)據(jù)的混合體上訓(xùn)練視覺語言模型的格式。

實(shí)驗(yàn)證明，本文訓(xùn)練的視覺語言模型表現(xiàn)出許多令人滿意的能力。首先，它在回答定性空間問題方面的能力得到顯著提升。其次，即使在有噪聲的訓(xùn)練數(shù)據(jù)下，它也能可靠地進(jìn)行定量估計(jì)。這種能力不僅使其具備關(guān)于目標(biāo)大小的常識知識，還使其在重新排列任務(wù)的開放詞匯獎勵標(biāo)注方面非常有用。第三，本文的空間視覺語言模型在自然語言界面的基礎(chǔ)上，結(jié)合強(qiáng)大的大型語言模型，能夠進(jìn)行空間推理鏈以解決復(fù)雜的空間推理任務(wù)。

方法概覽

為了使視覺語言模型具備定性和定量的空間推理能力，研究者提出生成一個(gè)大規(guī)模的空間 VQA 數(shù)據(jù)集用于訓(xùn)練視覺語言模型。具體而言，就是設(shè)計(jì)一個(gè)全面的數(shù)據(jù)生成框架，首先利用現(xiàn)成的計(jì)算機(jī)視覺模型，包括開放詞匯檢測、度量深度估計(jì)、語義分割和以目標(biāo)為中心的描述模型，提取以目標(biāo)為中心的背景信息，然后采用基于模板的方法生成質(zhì)量合理的大規(guī)?？臻g VQA 數(shù)據(jù)。本文中，研究者使用了生成的數(shù)據(jù)集訓(xùn)練 SpatialVLM，以學(xué)習(xí)直接的空間推理能力，然后將其與 LLMs 嵌入的高層常識推理相結(jié)合，解鎖鏈?zhǔn)剿季S的空間推理。

2D 圖像的空間基準(zhǔn)

研究者設(shè)計(jì)了一個(gè)生成包含空間推理問題的 VQA 數(shù)據(jù)的流程，具體流程如圖 2 中所示。

1、語義過濾：在本文的數(shù)據(jù)合成流程中，第一步是采用基于 CLIP 的開放詞匯分類模型對所有圖像進(jìn)行分類，排除不適合的圖像。

2、2D 圖像提取以目標(biāo)為中心的背景：這一步獲得由像素簇和開放詞匯描述組成的以目標(biāo)為中心的實(shí)體。

3、2D 背景信息到 3D 背景信息：經(jīng)過深度估計(jì)，將單眼的 2D 像素提升到度量尺度的 3D 點(diǎn)云。本文是第一個(gè)將互聯(lián)網(wǎng)規(guī)模的圖像提升至以目標(biāo)為中心的 3D 點(diǎn)云，并用其合成帶有 3D 空間推理監(jiān)督的 VQA 數(shù)據(jù)。

4、消除歧義：有時(shí)一張圖像中可能有多個(gè)相似類別的目標(biāo)，導(dǎo)致它們的描述標(biāo)簽存在歧義。因此，在詢問關(guān)于這些目標(biāo)的問題之前，需要確保參考表達(dá)不含有歧義。

大規(guī)?？臻g推理 VQA 數(shù)據(jù)集

研究者通過使用合成數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練，將「直觀」的空間推理能力融入 VLM。因此，合成涉及圖像中不超過兩個(gè)目標(biāo)（表示為 A 和 B）的空間推理問答對。這里主要考慮以下兩類問題：

1、定性問題：詢問某些空間關(guān)系的判斷。例如「給定兩個(gè)對象 A 和 B，哪個(gè)更靠左？」

2、定量問題：詢問更精細(xì)的答案，包括數(shù)字和單位。例如「相對于對象 B，對象 A 向左多少？」、「對象 A 距離 B 有多遠(yuǎn)？」

此處，研究者指定了 38 種不同類型的定性和定量空間推理問題，每種問題包含大約 20 個(gè)問題模板和 10 個(gè)答案模板。

圖 3 展示了本文獲取的合成問答對的示例。研究者創(chuàng)建了一個(gè)包括 1000 萬張圖像和 20 億個(gè)直接空間推理問答對 (50% 是定性問題，50% 是定量問題) 的龐大數(shù)據(jù)集。

學(xué)習(xí)空間推理

直接空間推理：視覺語言模型接收圖像 I 和關(guān)于空間任務(wù)的查詢 Q 作為輸入，并輸出一個(gè)答案 A，并且以文本的格式呈現(xiàn)，無需使用外部工具或與其他大型模型進(jìn)行交互。本文采用與 PaLM-E 相同的架構(gòu)和訓(xùn)練流程，只是將 PaLM 的骨干替換為 PaLM 2-S。然后，使用原始 PaLM-E 數(shù)據(jù)集和作者的數(shù)據(jù)集的混合進(jìn)行模型訓(xùn)練，其中有 5% 的 token 用于空間推理任務(wù)。

鏈?zhǔn)剿季S空間推理：SpatialVLM 提供了自然語言接口，可用于查詢具有基礎(chǔ)概念的問題，當(dāng)與強(qiáng)大的 LLM 結(jié)合使用時(shí)，可以執(zhí)行復(fù)雜的空間推理。

與 Socratic Models 和 LLM 協(xié)調(diào)器中的方法類似，本文利用 LLM (text-davinci-003) 來協(xié)調(diào)與 SpatialVLM 進(jìn)行通信，以鏈?zhǔn)剿季S提示的方式解決復(fù)雜問題，如圖 4 所示。

實(shí)驗(yàn)及結(jié)果

研究者通過實(shí)驗(yàn)證明并回答了如下的問題：

問題 1：本文設(shè)計(jì)的空間 VQA 數(shù)據(jù)生成和訓(xùn)練流程，是否提高了 VLM 的一般空間推理能力？以及它的表現(xiàn)如何？

問題 2：充滿噪音數(shù)據(jù)的合成空間 VQA 數(shù)據(jù)和不同的訓(xùn)練策略，對學(xué)習(xí)性能有何影響？

問題 3：裝備了「直接」空間推理能力的 VLM，是否能夠解鎖諸如鏈?zhǔn)剿季S推理和具身規(guī)劃等新能力？

研究者通過使用 PaLM-E 訓(xùn)練集和本文設(shè)計(jì)的空間 VQA 數(shù)據(jù)集的混合來訓(xùn)練模型。為了驗(yàn)證 VLM 在空間推理上的局限是否是數(shù)據(jù)問題，他們選擇了當(dāng)前最先進(jìn)的視覺語言模型作為基線。這些模型的訓(xùn)練過程中語義描述任務(wù)占據(jù)了相當(dāng)?shù)谋戎?，而不是使用本文的空間 VQA 數(shù)據(jù)集進(jìn)行訓(xùn)練。

空間 VQA 表現(xiàn)

定性空間 VQA。對于這一問題，人工注釋的答案和 VLM 輸出均為自由形式的自然語言。因此，為了評估 VLM 的性能，研究者使用人工評定員確定答案是否正確，表 1 中展示了各個(gè) VLM 的成功率。

定量空間 VQA。如表 2 所示，本文的模型在兩個(gè)指標(biāo)上都比基線表現(xiàn)更好且遙遙領(lǐng)先。

空間 VQA 數(shù)據(jù)對通用 VQA 的影響

第二個(gè)問題是，由于與大量的空間 VQA 數(shù)據(jù)共同訓(xùn)練，VLM 在其他任務(wù)上的表現(xiàn)是否會因此而降低。通過將本文模型與在通用 VQA 基準(zhǔn)上沒有使用空間 VQA 數(shù)據(jù)進(jìn)行訓(xùn)練的基本 PaLM 2-E 進(jìn)行了比較，如表 3 所總結(jié)的，本文的模型在 OKVQA 基準(zhǔn)上達(dá)到了與 PaLM 2-E 相當(dāng)?shù)男阅?，其中包括了有限的空間推理問題，并且在 VQA-v2 test-dev 基準(zhǔn)上表現(xiàn)略好，該基準(zhǔn)包含了空間推理問題。

ViT 編碼器在空間推理中的影響

Frozen ViT (在對比目標(biāo)上進(jìn)行訓(xùn)練) 是否編碼了足夠的信息來進(jìn)行空間推理？為了探索這一點(diǎn)，研究者的實(shí)驗(yàn)從第 110,000 步的訓(xùn)練開始，分成兩個(gè)訓(xùn)練運(yùn)行，一個(gè) Frozen ViT，另一個(gè) Unfrozen ViT。通過對這兩個(gè)模型進(jìn)行了 70,000 步的訓(xùn)練，評估結(jié)果如表 4 所示。

含噪聲的定量空間答案的影響

研究者者使用機(jī)器人操作數(shù)據(jù)集訓(xùn)練視覺語言模型，發(fā)現(xiàn)模型能夠在操作領(lǐng)域進(jìn)行精細(xì)的距離估計(jì) (圖 5)，進(jìn)一步證明了數(shù)據(jù)的準(zhǔn)確性。

表 5 比較了不同的高斯噪聲標(biāo)準(zhǔn)差對定量空間 VQA 中整體 VLM 性能的影響。

空間推理啟發(fā)新應(yīng)用

1、視覺語言模型作為密集獎勵注釋器

視覺語言模型在機(jī)器人學(xué)領(lǐng)域有一個(gè)重要的應(yīng)用。最近的研究表明，視覺語言模型和大型語言模型可以作為機(jī)器人任務(wù)的通用開放詞匯獎勵注釋器和成功檢測器，可用于制定有效的控制策略。然而，VLM 的獎勵標(biāo)注能力通常受到空間意識不足的限制。由于 SpatialVLM 能夠從圖像中定量估計(jì)距離或尺寸，因此它獨(dú)特地適用作為密集的獎勵注釋器。作者進(jìn)行一項(xiàng)真實(shí)的機(jī)器人實(shí)驗(yàn)，用自然語言指定了一個(gè)任務(wù)，并要求 SpatialVLM 為軌跡中的每一幀注釋獎勵。

圖 6 中每個(gè)點(diǎn)表示一個(gè)目標(biāo)的位置，它們的顏色表示注釋的獎勵。隨著機(jī)器人朝著指定目標(biāo)的進(jìn)展，可以看到獎勵是單調(diào)增加的，表明 SpatialVLM 作為密集獎勵注釋器的能力。

2、鏈?zhǔn)剿季S空間推理

研究者還研究了 SpatialVLM 是否能夠用于執(zhí)行需要多步推理的任務(wù)，考慮到它對基本空間問題的增強(qiáng)回答能力。作者在圖 1 和圖 4 中展示了一些例子。當(dāng)大語言模型 (GPT-4) 裝備有 SpatialVLM 作為空間推理子模塊時(shí)，可以執(zhí)行復(fù)雜的空間推理任務(wù)，比如回答環(huán)境中的 3 個(gè)對象是否能夠形成「等腰三角形」。

更多技術(shù)細(xì)節(jié)和實(shí)驗(yàn)結(jié)果請參閱原論文。