清华大学与哈佛大学携手合作，共同研发的全新AI系统LangSplat近日引起了科技界的瞩目。这个名为LangSplat的系统在三维空间内能够高效、准确地搜索开放式词汇，标志着对3D语言场的一次重大突破。
LangSplat是首个基于3D语言场方法的系统，采用了3D Gaussians（3D高斯函数）的革新技术。更特别的是，它引入了SAM和CLIP这两个先进的模型，使其在开放式词汇的3D对象定位和语义分割任务上超越了目前最先进的方法。与此同时，LangSplat在速度上更是超越了LERF，快了整整199倍。
早在2023年3月，加州大学伯克利分校的研究人员展示了语言嵌入式辐射场（LERF），这是一种将语言嵌入到NeRF（神经辐射场）中的技术。LERF的优势在于无需专门培训即可在三维环境中准确识别物体，但它存在实时搜索的不足，搜索结果准确率也较低。为了解决LERF的瓶颈，LangSplat采用了3D高斯函数构建3D语言场，避免了NeRF所需的繁琐渲染过程。在分辨率为1440 x 1080像素的情况下，LangSplat的速度比LERF快了整整199倍。
研究团队通过展示多个案例，生动展示了LangSplat的强大之处。在一个茶杯里泡茶叶的场景中，相比LERF标记两个杯子，LangSplat标记的是杯子中的液体。而在另一个例子中，它可以准确标记一碗拉面汤中的单个配料。
LangSplat采用了Meta的 分段任意模型 （Segment Anything Model）来学习分层语义。这一过程中，图像被分解成边界清晰的不同物体掩码，而物体则被进一步分解成整体、部分和子部分。随后，CLIP对学习到的遮罩进行处理，嵌入模型会训练一个自动编码器，最终用于训练LangSplat的3D高斯函数。
研究人员使用LERF和3D OVS两个数据集对LangSplat进行了测试，结果显示，LangSplat在总体准确率上表现出色，分别达到了84.3%和93.4%，而LERF则分别为73.6%和86.8%。
LangSplat的诞生标志着在3D语言场领域的一次重大突破，为未来的AI系统发展指明了方向。其高效、准确的搜索能力和广泛的应用场景让人对人工智能的未来充满期待。在科技不断演进的时代，LangSplat的出现将无疑推动AI技术在三维环境中的发展，为人类创造更加智能、便捷的未来。
