上海人工智能实验室（上海 AI 实验室）联合香港大学、浙江大学和中国科学技术大学宣布共同推出 PonderV2 通用 3D 预训练方法与模型。

Ponder系列在通用3D方面实现三个“首次”：首次同时支持室内外使用场景；首次同时支持点云、体素和多视角图像输入；首次在不同语义层级的下游任务上达成最佳性能。在通用人工智能的研究领域，教导计算机深度理解三维世界是当前重要研究目标之一，并将为各种AI实际应用奠定坚实基础。PonderV2代码同时开源。

PonderV2具有深度理解和感知三维真实世界的能力，并为广泛的三维应用提供强大支持。在预训练方面，该预训练与模型具备以下四项核心优势。

统一的预训练方式

得益于统一的基于三维渲染的预训练方式，PonderV2从大量数据中学习并获得高效的三维理解。在包含室内场景理解和室外自动驾驶应用场景、三维场景语义分割及三维场景目标检测、全数据和数据受限情况等11项基准的评测中，相较于目前已发表的同类型成果，PonderV2表现出当前最优预训练性能。

PonderV2预训练模型的下游任务雷达图，PonderV2在11项不同任务和数据集中相比已发表文章达到最优预训练性能。

同时支持室内外场景3D任务

PonderV2在室内场景和室外自动驾驶场景任务评测中均获得了当前最优效果。在室内场景中，该模型在ScanNet和S3DIS等公开排行榜上获得多项第一；而在室外场景下，PonderV2在nuScenes数据集上获得了3D检测和3D分割的最优预训练性能。评测结果同时表明，使用同一个三维预训练框架，解决各种类型的应用场景，正逐步成为可能。

灵活支持多种输入模态

PonderV2使用三维神经渲染模拟人类的三维感知，并能灵活地支持不同的输入模态，统一地将它们渲染到2D图像上进行训练，从而把2D和3D世界连接在一起。面对三维任务中多种多样的数据形式，PonderV2提供了一种简单而有效的通用预训练范式，同时支持点云、体素和多视角图像输入。

PonderV2可以灵活支持不同的输入数据模态

同时支持高层级语义和底层重建下游任务

PonderV2为首个以重建三维场景并渲染的方式实现高效特征学习的模型。使用该预训练方式获得的三维特征，不仅在三维的高层次语义任务（如三维物体检测、分割）中获得了最优结果，同样被证明在底层三维任务，如三维重建，也有明显效果提升。

PonderV2可以同时赋能下游的高层语义任务和底层重建任务

论文地址：https://arxiv.org/abs/2310.08586