VSI-Bench是什么
VSI-Bench（Visual-Spatial Intelligence Benchmark）是李飞飞、谢赛宁及他们的研究团队推出的视觉空间智能基准测试集，研究者构建用在评估多模态大型语言模型（MLLMs）在空间认知和理解方面的能力。VSI-Bench包含超过5000个问题-答案对，覆盖近290个真实室内场景视频，涉及住宅、办公室和工厂等多种环境。VSI-Bench任务分为配置型任务（如物体计数、相对距离等）、测量估计（如物体尺寸、房间大小等）和时空任务（如物体出现顺序），能系统地测试和提高MLLMs在视觉空间智能方面的表现。
VSI-Bench的主要功能
- 评估视觉空间智能：量化评估多模态大型语言模型（MLLMs）的视觉空间智能，包括对空间关系的感知、理解和记忆能力。
- 基准测试：提供标准化的测试集，包含5000多个问答对，用在基准测试和比较不同MLLMs在视觉空间任务上的性能。
- 任务多样性：包括配置型任务（物体计数、相对距离、相对方向、路线规划）、测量估计（物体尺寸、房间大小、绝对距离）和时空任务（物体出现顺序），全面覆盖视觉空间智能的多个方面。
- 视频理解：基于视频输入，VSI-Bench测试MLLMs对连续、时间性输入的理解，比静态图像更接近人类观察世界的方式。
- 数据质量和控制：基于人工审核确保数据质量，消除歧义和错误标注，提高测试结果的可靠性。。
VSI-Bench的技术原理
- 数据集构建：基于多个公共室内3D场景重建数据集（如ScanNet、ScanNet++和ARKitScenes），数据集提供高保真度的视频扫描和对象级别的3D注释。
- 问题-答案对生成：基于数据集中的元信息（如对象类别、边界框）和问题模板自动生成问题-答案对，同时对路线规划任务进行人工标注。
- 质量控制：实施人工审核流程，确保问题清晰无歧义，对错误或模糊的问题进行溯源和修正。
- 模型评估：在零样本设置下评估多种视频支持的MLLMs，用默认提示进行测试，采用精确匹配和模糊匹配作为主要评价指标。
- 性能指标：对于多项选择题（MCA）任务使用准确度（ACC），对于数值答案（NA）任务引入新的度量标准——平均相对准确度（MRA）。
- 认知图生成：提示MLLMs预测视频中对象的中心位置，生成认知图，评估模型的内部空间表示和记忆能力。
VSI-Bench的项目地址
- 项目官网：vision-x-nyu.github.io/thinking-in-space
- GitHub仓库：https://github.com/vision-x-nyu/thinking-in-space
- HuggingFace模型库：https://huggingface.co/datasets/nyu-visionx/VSI-Bench
- arXiv技术论文：https://arxiv.org/pdf/2412.14171
VSI-Bench的应用场景
- 机器人导航与交互：在机器人技术领域，评估和训练MLLMs，更好地理解空间布局，提高机器人在未知环境中的导航和避障能力。
- 增强现实（AR）/虚拟现实（VR）：在AR/VR应用中，帮助MLLMs更好地理解用户的物理空间环境，提供更自然的交互体验。
- 自动驾驶汽车：自动驾驶系统需要精确的空间理解能力处理复杂的交通场景，用在开发和测试支持自动驾驶的视觉空间智能系统。
- 智能家居系统：智能家居系统需要理解居住空间的布局和物体的位置，VSI-Bench帮助训练MLLMs，使其更好地服务于智能家居控制和自动化。
- 室内设计和建筑规划：评估MLLMs在空间规划和设计中的应用，帮助系统提供更合理的布局建议。
