人工智能技術(shù)的不斷發(fā)展，多模態(tài)大模型作為一種新型的機(jī)器學(xué)習(xí)技術(shù)，逐漸成為人工智能領(lǐng)域的熱點(diǎn)話題。多模態(tài)大模型能夠處理多種媒體數(shù)據(jù)，如文本、圖像、音頻和視頻等，并通過學(xué)習(xí)不同模態(tài)之間的關(guān)聯(lián)，實(shí)現(xiàn)更加智能化的信息處理。
多模態(tài)大模型是一種基于深度學(xué)習(xí)的機(jī)器學(xué)習(xí)技術(shù)，其核心思想是將不同媒體數(shù)據(jù)（如文本、圖像、音頻和視頻等）進(jìn)行融合，通過學(xué)習(xí)不同模態(tài)之間的關(guān)聯(lián)，實(shí)現(xiàn)更加智能化的信息處理。在多模態(tài)大模型中，不同模態(tài)的數(shù)據(jù)經(jīng)過預(yù)處理后被輸入到一個(gè)深度神經(jīng)網(wǎng)絡(luò)中，經(jīng)過多層的特征提取和融合，最終輸出相應(yīng)的結(jié)果。
多模態(tài)大模型的優(yōu)點(diǎn)在于能夠充分利用不同媒體數(shù)據(jù)的信息，提取出更加豐富、全面的特征，從而提高模型的性能和泛化能力。此外，多模態(tài)大模型還可以通過學(xué)習(xí)不同模態(tài)之間的關(guān)聯(lián)，進(jìn)一步增強(qiáng)模型的語義理解和表達(dá)能力。
多模態(tài)大模型在許多領(lǐng)域都有廣泛的應(yīng)用，下面介紹幾個(gè)典型的應(yīng)用場(chǎng)景：
1. 自然語言處理
多模態(tài)大模型在自然語言處理領(lǐng)域的應(yīng)用主要表現(xiàn)在跨媒體理解和生成方面。通過將文本和圖像等多模態(tài)數(shù)據(jù)輸入到模型中，可以完成諸如文本與圖像的跨模態(tài)檢索、文本與視頻的語義對(duì)齊等任務(wù)。同時(shí)，多模態(tài)大模型還可以用于生成具有視覺效果的文本描述，如給定一張圖片，輸出一段描述其內(nèi)容的文字。
2. 計(jì)算機(jī)視覺
多模態(tài)大模型在計(jì)算機(jī)視覺領(lǐng)域的應(yīng)用主要表現(xiàn)在跨媒體分析和跨媒體生成方面。通過將文本、圖像和視頻等多模態(tài)數(shù)據(jù)輸入到模型中，可以完成諸如文本與圖像的關(guān)聯(lián)分析、視頻語義分割等任務(wù)。同時(shí)，多模態(tài)大模型還可以用于生成具有語義信息的圖像或視頻，如根據(jù)一段文字描述生成相應(yīng)的圖片或視頻。
3. 多媒體處理
多模態(tài)大模型在多媒體處理領(lǐng)域的應(yīng)用主要表現(xiàn)在跨媒體理解和跨媒體生成方面。通過將音頻、視頻和文本等多模態(tài)數(shù)據(jù)輸入到模型中，可以完成諸如音頻與視頻的跨模態(tài)檢索、音頻與文本的語義對(duì)齊等任務(wù)。同時(shí)，多模態(tài)大模型還可以用于生成具有多媒體特征的文本或視頻，如根據(jù)一段音頻描述生成相應(yīng)的文字或視頻。
隨著多模態(tài)大模型的不斷發(fā)展，其應(yīng)用場(chǎng)景也將越來越廣泛。未來，多模態(tài)大模型的發(fā)展將呈現(xiàn)出以下幾個(gè)趨勢(shì)：
1. 數(shù)據(jù)規(guī)模不斷擴(kuò)大
隨著數(shù)據(jù)規(guī)模的擴(kuò)大，多模態(tài)大模型的性能和泛化能力將得到進(jìn)一步提升。未來，將會(huì)有更多的數(shù)據(jù)集被用于訓(xùn)練多模態(tài)大模型，從而使其更好地適應(yīng)各種實(shí)際應(yīng)用場(chǎng)景。
2. 模型結(jié)構(gòu)不斷創(chuàng)新
隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，多模態(tài)大模型的架構(gòu)和算法也將不斷創(chuàng)新。未來，將會(huì)有更多的新型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)被應(yīng)用于多模態(tài)大模型中，從而使其更好地處理不同媒體數(shù)據(jù)之間的關(guān)聯(lián)和轉(zhuǎn)換。
CLIP 是由 OpenAI 在 2021 年提出的預(yù)訓(xùn)練模型，用于評(píng)估給定圖像與給定文本描述的匹配程度。該模型使用大量（約 4 億）從網(wǎng)頁中爬取的圖像-文本對(duì)(pair)數(shù)據(jù)進(jìn)行對(duì)比學(xué)習(xí)。
數(shù)據(jù)的收集：
搜索了 50w 個(gè) queries（query 列表主要來自英文版維基百科中至少出現(xiàn) 100 次的所有單詞，并做了些其他補(bǔ)充）
為了保證每個(gè) query 的數(shù)據(jù)相對(duì)平衡，每個(gè) query 保留最多 2w 個(gè)（image, text）
典型的雙塔模型，有兩個(gè) encoder，一個(gè)對(duì)應(yīng)圖片，一個(gè)對(duì)應(yīng)文本，圖像和文本經(jīng)過各自的 encoder 后，通過簡單的點(diǎn)乘來代表不同模態(tài)的交互（相似性）。
文章的主要貢獻(xiàn)有兩個(gè)：
ALBEF 解決了多模態(tài)領(lǐng)域中圖像和文本對(duì)齊、交互的問題。在 ALBEF 之前，多模態(tài)方法通常使用 transformer 的多模態(tài)編碼器來同時(shí)編碼視覺和文本特征，由于目標(biāo)檢測(cè)器是提前訓(xùn)練好的，因此視覺和文本特征并不是對(duì)齊的。圖像和文本特征可能距離很遠(yuǎn)，這使得多模態(tài)編碼器難以學(xué)習(xí)到它們之間的交互。為了解決這個(gè)問題，ALBEF 通過一個(gè)對(duì)比損失（也就是 CLIP 中的 ITC 損失）在進(jìn)行多模態(tài)交互之前對(duì)齊圖像和文本數(shù)據(jù)。
網(wǎng)上爬取的大量圖文對(duì)通常噪聲很大（圖文不匹配）。ALBEF 采用動(dòng)量蒸餾（momentum distillation）的自訓(xùn)練方法來從網(wǎng)絡(luò)圖文對(duì)數(shù)據(jù)中學(xué)習(xí)，以緩解原始數(shù)據(jù)中的噪聲問題。從理論上講，ALBEF 通過互信息最 大化的角度解釋了不同的多模態(tài)任務(wù)，說明不同任務(wù)實(shí)際上為圖文對(duì)提供了不同的視角，類似于數(shù)據(jù)增強(qiáng)，使得訓(xùn)練得到的多模態(tài)模型能夠理解不同模態(tài)下的語義，具備語義保持的能力。
VLMo 模型通過使用混合模態(tài)專家（MoME）Transformer 實(shí)現(xiàn)了統(tǒng)一的視覺-語言預(yù)訓(xùn)練。MoME Transformer 的結(jié)構(gòu)設(shè)計(jì)允許根據(jù)輸入信號(hào)的不同使用對(duì)應(yīng)的 FFN 層參數(shù)進(jìn)行計(jì)算。具體來說，VLMo 模型包括了視覺專家（V-FFN）、文本專家（L-FFN）和圖文專家（VL-FFN），它們分別用于處理圖像、文本和圖像-文本輸入。這種靈活的設(shè)計(jì)使得VLMo 模型能夠根據(jù)任務(wù)的不同使用不同的結(jié)構(gòu)進(jìn)行訓(xùn)練和推理。
文章的研究動(dòng)機(jī)：
現(xiàn)有的預(yù)訓(xùn)練模型通常在理解型任務(wù)或生成型任務(wù)中表現(xiàn)出色，但很少有模型能夠同時(shí)在這兩種任務(wù)上達(dá)到優(yōu) 秀的性能。
現(xiàn)有的性能改進(jìn)主要是通過擴(kuò)大數(shù)據(jù)集規(guī)模并使用從網(wǎng)絡(luò)收集的帶有噪聲的圖像-文本對(duì)進(jìn)行訓(xùn)練實(shí)現(xiàn)的。然而，網(wǎng)絡(luò)數(shù)據(jù)集中的噪聲會(huì)對(duì)模型的性能產(chǎn)生負(fù)面影響。
主要的貢獻(xiàn)：
統(tǒng)一了圖像-語言的理解與生成任務(wù)
Bootstrap 的方式清洗網(wǎng)絡(luò)噪聲數(shù)據(jù)
在模型的設(shè)計(jì)上結(jié)合了 ALBEF 和 VLMo，看下圖中紅色框中就類似 ALBEF，只是畫 image-grounded text encoder 的位置不同；藍(lán)色框中類似 VLMo，雖然有三個(gè)模型，但是大部分參數(shù)都是共享的。
CoCa 將解決圖像或多模態(tài)問題的模型概括成 3 種經(jīng)典結(jié)構(gòu)，分別是 single-encoder model、dual-encoder model、encoder-decoder model。Single-encoder model 指的是基礎(chǔ)的圖像分類模型，dual-encoder model 指的是類似 CLIP 的雙塔圖文匹配模型，encoder-decoder model 指的是用于看圖說話任務(wù)的生成式模型。
BEITv3 的主要想法就是希望統(tǒng)一多模態(tài)學(xué)習(xí)中的模型結(jié)構(gòu)、預(yù)訓(xùn)練任務(wù)以及模型規(guī)模。為此將圖片也看作一種語言（Imglish），圖像文本對(duì)看作是 parallel sentences。在輸入形式統(tǒng)一之后，也就不需要 ITC、ITM、MLM、WPA 等其他目標(biāo)函數(shù)，而是可以使用統(tǒng)一的 masked “l(fā)anguage” modeling 的方式進(jìn)行訓(xùn)練。
BEITv3 的模型結(jié)構(gòu)使用的是 Multiway Transformer (其實(shí)就是前面 VLMo 的 MoME)，因此也就具備了之前提到的靈活性的特點(diǎn)，可以適用于非常多的下游任務(wù)。
BLIP-2 通過在凍結(jié)的預(yù)訓(xùn)練圖像編碼器和凍結(jié)的預(yù)訓(xùn)練大語言模型之間添加一個(gè)輕量級(jí) 查詢 Transformer (Query Transformer, Q-Former) 來彌合視覺和語言模型之間的模態(tài)隔閡。在整個(gè)模型中，Q-Former 是唯 一的可訓(xùn)練模塊，而圖像編碼器和語言模型始終保持凍結(jié)狀態(tài)。
Q-Former 由兩個(gè)子模塊組成，這兩個(gè)子模塊共享相同的自注意力層:
與凍結(jié)的圖像編碼器交互的圖像 transformer，用于視覺特征提取
文本 transformer，用作文本編碼器和解碼器
InstructBLIP 可以理解為是 BLIP2 + 指令微調(diào)
作者們收集了 26 數(shù)據(jù)集并轉(zhuǎn)化指令微調(diào)的格式
并改進(jìn) BLIP2 中的 Query Transformer 為 指令感知的 Query Transformer，能夠抽取和給定指令相關(guān)的信息
InstructBLIP 的模型結(jié)構(gòu)如下所示：
對(duì)于 GPT4 能夠具有超強(qiáng)的圖文理解能力，作者們的理解是這是得益于大語言模型的能力，因此考慮將最 新的一些能跟 ChatGPT “媲美”的語言模型引入其中，這里采用了 Vicuna 作為語言模型，在視覺理解上，作者采用了和 BLIP2 里面一樣的視覺模塊，包含一個(gè) ViT 模塊和一個(gè) Q-Former 模塊。模型的整體框架如下所示，我們從下往上看：首先一張圖片會(huì)經(jīng)過視覺模塊（ViT&Q-Former）進(jìn)行編碼得到一個(gè)圖像 embedding，由于視覺模塊給出的 embedding 不能夠直接被語言模型理解，因此一般需要將視覺 embedding 和文本 embedding 進(jìn)行對(duì)齊，這里加入了一個(gè)線性層，可以理解為這里假設(shè)圖片編碼器得到的輸出經(jīng)過一個(gè)線性層后就能夠被語言模型理解了，然后將原始的文本信息和經(jīng)過對(duì)齊后的圖像信息拼接起來，送入 LLM，就可以實(shí)現(xiàn)能夠接受多模態(tài)信息的 GPT 了。
之前的工作大多是考慮的是多模態(tài)理解（看圖說話），最近剛提出的 MiniGPT-5 則想著直接多模態(tài)同時(shí)生成（同時(shí)生成文本和圖片）。
圖片生成的話用 Stable Diffusion 來做是個(gè)比較常規(guī)的操作了，簡單回憶下 Stable Diffusion 怎么做的，其實(shí)就是一個(gè) Unet 接收加噪的圖片、時(shí)間步長、以及文本的 token embedding 來進(jìn)行生成，這里的文本編碼器來自于 CLIP，那多模態(tài)發(fā)展得風(fēng)風(fēng)火火，把這里的文本編碼器換成新一點(diǎn)的模型是不是可行？
lGPT-4V：遠(yuǎn)遠(yuǎn)領(lǐng)先！
openai 還是保持著 closeai 的風(fēng)格，關(guān)于 GPT-4V 的模型以及訓(xùn)練相關(guān)的細(xì)節(jié)并沒有公布，只有一份微軟的測(cè)評(píng)論文，從結(jié)果上來看是遠(yuǎn)遠(yuǎn)領(lǐng)先。
看完兩個(gè)模態(tài)的多模態(tài)工作，我們?cè)賮砜纯慈绾螖U(kuò)展到更多的模態(tài)
ImageBind 的目標(biāo)是將不同模態(tài)的 embedding 對(duì)齊到一個(gè)公共的空間，可以理解為是 CLIP 的多模態(tài)版本。
文章的主要思想是通過圖片作為橋梁來將不同模態(tài)的數(shù)據(jù)關(guān)聯(lián)起來。
Meta-Transformer 野心就比較大了，同時(shí)考慮了 12 種模態(tài)。
它的主要思想是使用一個(gè)統(tǒng)一的框架來處理來自多種模態(tài)的數(shù)據(jù)，而無需為每種模態(tài)設(shè)計(jì)特定的模型或網(wǎng)絡(luò)。通過將所有模態(tài)的數(shù)據(jù)映射到一個(gè)共享的 embedding 空間，并使用一個(gè)公共的編碼器來提取特征。
統(tǒng)一的 Tokenization：通過設(shè)計(jì)特定的 Tokenization 策略，例如將圖像分割成小塊或?qū)⑽谋痉指畛稍~或子詞，然后為每個(gè)塊或詞生成一個(gè) token。這些 token 然后被映射到一個(gè)連續(xù)的向量空間，形成 token embedding；
模態(tài)共享的編碼器：使用一個(gè)預(yù)訓(xùn)練的 Transformer 編碼器，它的參數(shù)是凍結(jié)的。這個(gè)編碼器可以處理來自不同模態(tài)的 token embedding（因?yàn)樗鼈兌荚谕粋€(gè)共享的流形空間內(nèi)）；
任務(wù)特定的頭部：這些頭部通常由多層感知機(jī)(MLP)組成，并根據(jù)不同的模態(tài)和任務(wù)進(jìn)行調(diào)整。
看了這些多模態(tài)的研究后，多模態(tài)的研究做的事情主要是：
不同模態(tài)進(jìn)行對(duì)齊
不同模態(tài)進(jìn)行融合
指令微調(diào)促進(jìn)人機(jī)交互，數(shù)據(jù)的質(zhì)量可能比數(shù)量更重要
模型設(shè)計(jì)既要保證檢索任務(wù)下的高效推理，又要能夠進(jìn)行多模態(tài)深度融合
進(jìn)入大語言模型時(shí)代前，用更大的圖像編碼器一般是更有效的
進(jìn)入大語言模型時(shí)代后，圖文理解能力的強(qiáng)大可能來自于大語言模型的能力
進(jìn)入大語言模型時(shí)代后，視覺優(yōu)先仍然是值得探索的方向，但是訓(xùn)練大視覺模型向來是比較困難的
想要在多模態(tài)理解的基礎(chǔ)上擴(kuò)充多模態(tài)生成能力需要設(shè)計(jì)不同模態(tài)對(duì)應(yīng)的解碼器
理想的框架：多模態(tài)對(duì)齊+統(tǒng)一的編碼器+統(tǒng)一的解碼器，一舉拿下多模態(tài)理解和生成
公眾號(hào) 掃碼咨詢
 |
上海市閔行區(qū)中春路4999號(hào)莘莊商務(wù)樓1326室 |
 |
service@covond.com |
 |
m.yuyangvip.com |
 |
交換機(jī)：18017588179（孫經(jīng)理） 無人機(jī)：13311882358（孫總） |
