AAAI-2024 | Mono3DVG：首个基于单目RGB图像实现3D Visual Grounding的方法

关注公众号，发现CV技术之美

本文分享论文Mono3DVG: 3D Visual Grounding in Monocular Images，该论文已被 AAAI 2024 接收，数据集和代码已开源。

详细信息如下：

• 单位：西北工业大学光电与智能研究院iOPEN、慕尼黑工业大学
• 论文链接：https://arxiv.org/abs/2312.08022
• 项目链接：https://github.com/ZhanYang-nwpu/Mono3DVG

图1 ：(b) Visual Grounding在2D场景中已经取得了重大进展，但是这些方法无法捕捉到被指代对象的真实3D范围。(d) 3DVG需要激光雷达或RGB-D传感器，由于昂贵的成本和设备限制，极大地限制了其应用场景。(c) 单目三维目标检测可以获取场景中所有物体的三维坐标，且仅需要RGB图像。该方法成本低、适用性强，但它忽略了对三维空间中对象语义的理解，无法基于语言定位特定的目标。(a) 该工作提出了一种通过带有模糊的几何信息和外观信息的自然语言描述，直接在单个RGB图像中定位被指代对象的真实3D范围，称为Mono3DVG。

动机

对于智能系统和机器人而言，基于自然语言来理解真实3D场景中的物体是人机交互的一项重要能力。然而，现有的2D Visual Grounding无法捕捉指代物体的真实3D范围。3D Visual Grounding又需要激光雷达或RGB-D传感器，由于昂贵的成本和设备限制，极大地限制了其应用场景。单目3D目标检测成本低、适用性强，但无法定位特定目标。本文提出一种新的任务，用具有外观和模糊的几何信息的语言描述在单目RGB图像中实现3D Visual Grounding。

数据集

为解决Mono3DVG任务，本文创建了Mono3DRefer数据集。这是第一个在VG任务中利用ChatGPT生成自然语言描述的数据集。数据收集pipeline如下图：

本文梳理了3DVG领域中相关的数据集信息，整理如下：

方法

为了利用具有外观和几何空间信息的自然语言进行推理，本文提出一种新的基于transformer的端到端方法，即Mono3DVG-TR。具体由多模态特征编码器、双文本引导适配器、Grounding解码器和Grounding头组成。

首先，采用RoBERTa和ResNet-50提取文本和多尺度视觉特征；并利用深度预测器显式地学习几何空间特征。其次，为了细化指代对象的多尺度视觉特征和几何空间特征，本文提出一种双文本引导适配器来；它可以进行基于像素注意力的文本引导特征学习，根据文本特征细化视觉特征和几何空间特征。接下来，可学习的query令牌首先聚合几何空间特征，然后通过文本嵌入增强文本相关的几何空间特征，最后从多尺度视觉特征中收集外观信息。

通过堆叠深度-文本-视觉注意力将对象级的几何线索和视觉外观融合到query令牌中，充分实现文本引导的解码。最终将query令牌输入到多个MLP中预测目标的3D空间坐标。

实验结果

数据集整体的结果如下所示：

为了深入研究该任务的挑战，本文按照目标的距离远近程度和检测困难度划分了“近-中-远”和“易-中-难”两组子集，实验结果如下：

可视化结果如下：

针对Mono3DVG-TR方法中不同模块的可视化结果：

经过研究发现，在带有几何空间信息的Mono3DRefer数据集上训练的模型，可以直接在不带有几何空间信息的传统自然语言描述情况下使用，大大提高了该任务的适用性。详细结果见原文附件。

总结

我们相信Mono3DVG可以广泛应用，因为它不需要严格的设备条件，如RGB-D传感器，激光雷达或工业相机。可部署的应用场景广泛，比如无人机、监控系统、智能汽车、机器人等配备摄像头的设备。