LLaMA-Mesh: Unifying 3D Mesh Generation with Language Models 论文解读

目录

一、概述

二、相关工作

1、LLMs到多模态

2、3D对象生成

3、自回归的Mesh生成

三、LLaMA-Mesh

1、3D表示

2、预训练模型

3、有监督的微调数据集

4、数据集演示

四、实验

1、生成的多样性

2、不同模型text-to-Mesh的比较

3、通用语境的评估

---

一、概述

        该论文首次提出了一个通过大语言模型（LLM）来生成3D对象的模型LLaMA-Mesh，扩展了在文本上预训练的LLM的能力，来生成一个3D Mesh，有效地统一了3D和文本，并且仍然保持了原有LLaMA的文本生成性能。

（1）将3D Mesh表示为纯文本形式，实现LLM与3D Mesh的直接集成，避免了量化带来的几何细节损失，使LLM能够直接处理和生成3D Mesh。

（2）构建了包含3D Mesh生成、理解和文本生成任务的有监督微调（SFT）数据集，使得预训练的LLM能够学习复杂的空间知识，实现文本到3D网格的统一生成。

（3）在微调LLM以进行3D Mesh生成的同时，也保持了模型在文本生成任务上的优秀性能，实现了两种模态的统一。

二、相关工作

1、LLMs到多模态

        将LLM扩展到一个统一的模型处理和生成多模态信息，例如视觉和语言，近期的大模型工作包括多模态的理解视觉如Qwen，Blip，Vila等，使用视觉分词器来统一图像和文本的生成例如Emu3，Chameleon等。而该论文考虑修改分词器，来实现生成3D模型。

        以往的LLM只有生成预定义对象的布局方式（类似于编辑），而本论文是第一个允许LLM直接生成3D Mesh作为OBJ文件。

2、3D对象生成

        DreamFusion、Magic3D、ProlificDreamer等考虑使用SDS来实现文本到3D对象。

        LRM、CRM、InstantMesh等考虑使用前馈方法无需测试是优化来生成3D对象。

        但是这些方法通常将3D对象转变为数值场，并通过marching cubes或者其他类似变体来提取mesh，但不容易引入分词器作为离散标记。

3、自回归的Mesh生成

        类似于PolyGen、MeshGPT、MeshXL等奖3D对象表示为一个标记坐标的离散序列，并使用自回归transformer来生成具有艺术性的对象。

        MeshAnything、PivotMesh、EdgeRunner通过点云作为输入特征来优化限制，但这些工作都从0开始训练，缺乏语言能力。

三、LLaMA-Mesh

        LLaMA-Mesh模型分为三个模块：将3D Mesh转换为文本，预训练带有3D对象多模态的LLaMA-Mesh，创建有监督的3D对话数据集。

1、3D表示

        LLaMA-Mesh采用obj文件格式来表示3D网格模型，obj文件包含顶点（v）坐标和面（f）定义两个信息，如下图左侧的表示，顶点v就是x,y,z坐标，f就是三个顶点坐标索引。

        对于坐标存在浮点数的问题，由于超出LLM上下文，所以论文进行量化，通过定义一个固定的的范围，每一个顶点都在整数点上，降低了精度但保证了能够进行正常训练，提供可行性。

2、预训练模型

        使用LLaMA3.1-8B-Instruct作为基础模型，但原有的模型效果不佳，缺少对3D对象的理解，所以我们考虑在自己创建的数据集上进行微调，实现模型能够学习OBJ格式的模式和语义，生成文本描述的有效3D网格。下图为ChatGPT 4o和LLaMA的预训练模型对3D OBJ文件的固有理解。

3、有监督的微调数据集

        对于建立有监督微调（SFT）数据集用于训练，使用Objaverse数据集中的mesh，一个可描述的通用3D数据集。并且过滤Objaverse数据集选择最多500个面的网格，并且转换为Obj格式，并将顶点坐标量化到64个箱子。文本使用Cap3D来生成每个网格的文本描述，并在四个角度进行随机旋转。并且将Obj文件中的格式为，顶点坐标按照顶点低到高排序，面按照顶点索引从低到高排序，将LLM长度设置为8K个token。

        为了建立对话数据集，引入两种方法，基于规则的方法和基于LLM的增强。

        基于规则的方法中设计了一些简单的模式，如用于理解3D模型：“（user） {obj} What is this？（assistant）{caption}."  用于创造3D模型：“（user）Create a 3D model of {caption}.(assistant) {obj}” 对于每个对象随机选择一个模式，学习文本到3D表示之间的对应关系。

        对于增强方法，我们设计了复杂对话，实现3D to text的交错对话。

        这个对话包括了：3D模型创建和理解，数学理解，代码生成和物体的分解等工作。

        最后我们随机选择这两种方法，来随机构建对话，并且使用UltraChat创建通用对话数据集。

4、数据集演示

四、实验

1、生成的多样性

2、不同模型text-to-Mesh的比较

         其实LLaMA-Mesh的生成还是很 抽象的，由于使用网格生成而导致对于过于形象的物体会产生失真。

3、通用语境的评估

        再经过text-to-Mesh后，不可避免的就是对于原有的语境的性能下降，LLaMA-Mesh更适应对话3D对象问题，而对于原有的数学能力，常识推理等能力有所下降，但相比于LLaMA3.2（3B）更优，为什么不试8B？（hhhhh）

         对于上面的测试Metric的解释：

• MMLU (Massive Multitask Language Understanding) 是一个评估模型一般知识的基准测试集。
• PIQA (Physical Intuition QA) 是一个评估模型常识推理能力的基准测试集。
• HellaSwag 是一个评估模型常识推理能力的基准测试集。
• GSM8K (Grade School Math) 是一个评估模型数学问题解决能力的基准测试集。

参考文献：LLaMA-Mesh