LangSplat: 3D Language Gaussian Splatting
- 相关技术拆分解释:
- 3dgs:伟大无需多言
- SAM:The Segment Anything Model,是图像分割领域的foundational model,已经用在很多视觉任务上(如图像修复、物体追踪、图像编辑等),以及用在3D领域中,后者相关工作如:
- Seal:将包含SAM的VFMs用于点云分割
- SA3D:将SAM泛化到3D物体
- 本篇:使用SAM得到物体掩码以及3个hierarchical semantics,进而训练一个3D language field
- 3D Language Fields:能够使用语言与三维世界进行交互和查询的模型
- LangSplat的framework图:
输入从不同角度获取的同一场景的图像集,SAM基于输入的多视角图像生成层次化语义(Hierarchical Semantics),然后这些分割的掩码图会输入CLIP(视觉语言模型),使得图像和文本特征对齐、输出图像对应的language embeddings。为了降低内存成本,先会将这些高维embeddings压缩到低维空间,然后三维语言高斯模型学习这些低维的language embeddings,并反复执行渲染、监督的迭代过程。训练完成后,模型中的每个高斯点都包含了与language embedding相关的特征,并能够支持三维场景语言查询- SAM将图像分割成三个语义层次:Whole(整个玩具熊)、Part(玩具熊的头)、Subpart(玩具熊的鼻子)
- CLIP的原理:通过从图像块中提取language embeddings,将视觉信息转换为可以与语言描述对应的特征
- autoencoder:高维CLIP --encoder–> 低维latent space --decoder–> 高维CLIP
3D Language Fields
- 是什么:modeling a 3D language field allows users to interact with and query 3D worlds using open-ended language, which presents a promising avenue for human-computer interaction and understanding. 如用户输入“椅子”、“桌子”,系统能够在三维场景中识别、定位或分割出与查询相关的对象。将自然语言与三维场景联系起来,支持用户通过语言与三维世界进行交互和查询
- 应用场景:The field of open-ended language queries in 3D has attracted increasing attention due to its various applications such as:
- robotic navigation
- manipulation
- 3D semantic understanding
- editing
- autonomous driving
- augmented/virtual reality
- 原理:Feature distillation from off-the-shelf vision-language models into a 3D scene
- LERF:将CLIP(Contrastive Language-Image Pre-training)等模型中的语言嵌入到NeRF中,从而使得3D开放式语言查询成为可能。LERF将位置和物理尺度(尺度的作用:决定一个位于熊鼻子上的点是对应“熊的鼻子”、还是“熊的头”、还是“熊”)作为输入,输出单个CLIP向量
- LangSplat:首个基于3DGS的三维语言场方法