3DSRBench: un benchmark completo per la ragionamento spaziale in 3D

3DSRBench: A Comprehensive 3D Spatial Reasoning Benchmark

December 10, 2024

Autori: Wufei Ma, Haoyu Chen, Guofeng Zhang, Celso M de Melo, Alan Yuille, Jieneng Chen

cs.AI

Abstract

Il ragionamento spaziale in 3D è la capacità di analizzare e interpretare le posizioni, orientamenti e relazioni spaziali degli oggetti all'interno dello spazio tridimensionale. Questo consente ai modelli di sviluppare una comprensione completa della scena in 3D, consentendo la loro applicabilità a una gamma più ampia di settori, come la navigazione autonoma, la robotica e la RA/RV. Sebbene i grandi modelli multimodali (LMMs) abbiano ottenuto progressi notevoli in una vasta gamma di compiti di comprensione di immagini e video, le loro capacità di eseguire il ragionamento spaziale in 3D su diverse immagini naturali sono meno studiate. In questo lavoro presentiamo il primo benchmark completo di ragionamento spaziale in 3D, 3DSRBench, con 2.772 coppie di domande-risposte visive annotate manualmente su 12 tipi di domande. Conduciamo una valutazione robusta e approfondita delle capacità di ragionamento spaziale in 3D bilanciando la distribuzione dei dati e adottando una nuova strategia di valutazione (FlipEval). Per studiare ulteriormente la robustezza del ragionamento spaziale in 3D rispetto ai punti di vista in 3D della fotocamera, il nostro 3DSRBench include due sottoinsiemi con domande di ragionamento spaziale in 3D su immagini accoppiate con punti di vista comuni e non comuni. Valutiamo una vasta gamma di LMMs open-source e proprietari, mettendo in luce i loro limiti in vari aspetti della consapevolezza in 3D, come altezza, orientamento, posizione e ragionamento multi-oggetto, nonché la loro performance degradata su immagini con punti di vista della fotocamera non comuni. Il nostro 3DSRBench fornisce risultati e approfondimenti preziosi sul futuro sviluppo di LMMs con forti capacità di ragionamento in 3D. La nostra pagina del progetto e il dataset sono disponibili su https://3dsrbench.github.io.

English

3D spatial reasoning is the ability to analyze and interpret the positions, orientations, and spatial relationships of objects within the 3D space. This allows models to develop a comprehensive understanding of the 3D scene, enabling their applicability to a broader range of areas, such as autonomous navigation, robotics, and AR/VR. While large multi-modal models (LMMs) have achieved remarkable progress in a wide range of image and video understanding tasks, their capabilities to perform 3D spatial reasoning on diverse natural images are less studied. In this work we present the first comprehensive 3D spatial reasoning benchmark, 3DSRBench, with 2,772 manually annotated visual question-answer pairs across 12 question types. We conduct robust and thorough evaluation of 3D spatial reasoning capabilities by balancing the data distribution and adopting a novel FlipEval strategy. To further study the robustness of 3D spatial reasoning w.r.t. camera 3D viewpoints, our 3DSRBench includes two subsets with 3D spatial reasoning questions on paired images with common and uncommon viewpoints. We benchmark a wide range of open-sourced and proprietary LMMs, uncovering their limitations in various aspects of 3D awareness, such as height, orientation, location, and multi-object reasoning, as well as their degraded performance on images with uncommon camera viewpoints. Our 3DSRBench provide valuable findings and insights about the future development of LMMs with strong 3D reasoning capabilities. Our project page and dataset is available https://3dsrbench.github.io.