字節(jié)多模態(tài)大模型PixelLM：高效像素級(jí)推理，無(wú)需依賴SA

2023-12-28 17:31:44

研究團(tuán)隊(duì)在三個(gè)benchmark上評(píng)測(cè)了PixelLM的性能，包括MUSE benchmark, referring segmentation benchmark，以及multi-referring segmentation benchmark. 在multi-referring segmentation benchmark中，研究團(tuán)隊(duì)要求模型在一個(gè)問題中連續(xù)地分割出referring segme

多模態(tài)大模型爆發(fā)，準(zhǔn)備好進(jìn)入圖像編輯、自動(dòng)駕駛和機(jī)器人技術(shù)等細(xì)粒度任務(wù)中實(shí)際應(yīng)用了嗎？

目前大多數(shù)模型的能力還是局限于生成對(duì)整體圖像或特定區(qū)域的文本描述，在像素級(jí)理解方面的能力（例如物體分割）相對(duì)有限。

針對(duì)這個(gè)問題，一些工作開始探索借助多模態(tài)大模型來(lái)處理用戶的分割指令（例如，“請(qǐng)分割出圖片中富含維生素C的水果”）。

然而，市面上的方法都存在兩個(gè)主要缺點(diǎn)：

1) 無(wú)法處理涉及多個(gè)目標(biāo)對(duì)象的任務(wù)，而這在現(xiàn)實(shí)世界場(chǎng)景中是不可或缺的；

2) 依賴于像SAM這樣的預(yù)訓(xùn)練圖像分割模型，而SAM的一次前向傳播需要的計(jì)算量已經(jīng)足夠 Llama-7B產(chǎn)生500多個(gè)token了。

為了解決此問題，字節(jié)跳動(dòng)智能創(chuàng)作團(tuán)隊(duì)聯(lián)合北京交通大學(xué)、北京科技大學(xué)的研究人員提出了首個(gè)無(wú)需依賴SAM的高效像素級(jí)推理大模型PixelLM。

在具體介紹它之前，先來(lái)體驗(yàn)幾組PixelLM實(shí)際分割的效果：

相比之前的工作，PixelLM的優(yōu)勢(shì)在于：

能夠熟練處理任意數(shù)量的開放域目標(biāo)和多樣化的復(fù)雜推理分割任務(wù)。
避免了額外的、成本高昂的分割模型，提升了效率和對(duì)不同應(yīng)用的遷移能力。

進(jìn)一步，為了支持這一研究領(lǐng)域的模型訓(xùn)練和評(píng)估，研究團(tuán)隊(duì)在LVIS數(shù)據(jù)集的基礎(chǔ)之上，借助GPT-4V構(gòu)建了一個(gè)面向多目標(biāo)推理分割場(chǎng)景的數(shù)據(jù)集MUSE，它包含20萬(wàn)個(gè)以上的問題-答案對(duì)，涉及90萬(wàn)個(gè)以上的實(shí)例分割掩碼。

為了實(shí)現(xiàn)上述的效果，這項(xiàng)研究具體是如何做的呢？

背后原理

圖片

如論文中的框架圖所示，PixelLM架構(gòu)十分簡(jiǎn)潔，包括四個(gè)主要部分，后兩者是PixelLM的核心：

預(yù)訓(xùn)練的CLIP-ViT視覺編碼器
大語(yǔ)言模型
輕量級(jí)像素解碼器
分割碼表 Seg Codebook

Seg codebook包含可學(xué)習(xí)的tokens，它們用于編碼CLIP-ViT不同尺度上的目標(biāo)信息。然后，像素解碼器基于這些tokens和CLIP-ViT的圖像特征生成目標(biāo)分割結(jié)果。得益于這種設(shè)計(jì)，PixelLM可以在沒有外部分割模型的情況下生成高質(zhì)量的分割結(jié)果，顯著提高了模型效率。

根據(jù)研究人員的描述，Seg codebook內(nèi)的tokens可分為L(zhǎng)組，每一組包含N個(gè)token，每個(gè)組對(duì)應(yīng)于來(lái)自CLIP-ViT視覺特征的一個(gè)尺度。

對(duì)于輸入的圖像，PixelLM從CLIP-ViT視覺編碼器產(chǎn)的圖像特征中提取出L個(gè)尺度的特征，其中最后一層涵蓋了全局圖像信息，會(huì)被LLM用作理解圖像內(nèi)容。

Seg codebook的tokens將會(huì)與文本指令及最后一層圖像特征一起輸入LLM中，以自回歸的形式產(chǎn)生輸出。而輸出中也將包含經(jīng)過(guò)LLM處理后的Seg codebook tokens，它們將與L個(gè)尺度的CLIP-ViT特征一起輸入到像素解碼器中產(chǎn)生最終的分割結(jié)果。

圖片

那么為什么還要設(shè)置每組包含N個(gè)token呢？研究人員結(jié)合下圖進(jìn)行了解釋：

在涉及多個(gè)目標(biāo)或目標(biāo)所包含的語(yǔ)義十分復(fù)雜的情景中，盡管LLM可以提供詳細(xì)的文本響應(yīng)，但僅使用單個(gè)token可能無(wú)法充分捕捉目標(biāo)語(yǔ)義的全部?jī)?nèi)容。

為了增強(qiáng)模型在復(fù)雜推理情景下的能力，研究人員在每個(gè)尺度組內(nèi)引入多個(gè)token，并執(zhí)行一個(gè)token的線性融合操作。在token傳入解碼器之前，使用線性投影層將每個(gè)分組內(nèi)的token合并。

下圖展示了每組內(nèi)多個(gè)token時(shí)的效果。注意力圖是每個(gè)token經(jīng)過(guò)解碼器處理后的樣子，這個(gè)可視化結(jié)果表明，多個(gè)token提供了獨(dú)特且互補(bǔ)的信息，從而實(shí)現(xiàn)了更有效的分割輸出。

圖片

此外，為了增強(qiáng)模型區(qū)分多個(gè)目標(biāo)的能力，PixelLM還額外設(shè)計(jì)了一個(gè)Target Refinement Loss。

MUSE數(shù)據(jù)集

盡管已經(jīng)提出了上述解決方案，但為了充分發(fā)揮模型的能力，模型仍然需要適當(dāng)?shù)挠?xùn)練數(shù)據(jù)。回顧目前可用的公開數(shù)據(jù)集，發(fā)現(xiàn)現(xiàn)有的數(shù)據(jù)存在以下主要限制：

1) 對(duì)物體細(xì)節(jié)的描述不夠充足；
2) 缺乏具有復(fù)雜推理和多種目標(biāo)數(shù)量的問題-答案對(duì)。

為了解決這些問題，研究團(tuán)隊(duì)借助GPT-4V構(gòu)建了一個(gè)自動(dòng)化的數(shù)據(jù)標(biāo)注流水線，并由此產(chǎn)生了MUSE數(shù)據(jù)集。下圖展示了MUSE生成時(shí)所用到的Prompt及產(chǎn)生的數(shù)據(jù)示例。

圖片

在MUSE中，所有實(shí)例掩碼都來(lái)自LVIS數(shù)據(jù)集，并且額外添加了根據(jù)圖像內(nèi)容生成的詳細(xì)文本描述。MUSE包含了24.6萬(wàn)個(gè)問題-答案對(duì)，每個(gè)問題-答案對(duì)平均涉及3.7個(gè)目標(biāo)物體。此外，研究團(tuán)隊(duì)對(duì)數(shù)據(jù)集進(jìn)行了詳盡的統(tǒng)計(jì)分析：

類別統(tǒng)計(jì)：MUSE中有來(lái)自原始LVIS數(shù)據(jù)集的1000多個(gè)類別，以及90萬(wàn)個(gè)具有獨(dú)特描述的實(shí)例，這些描述基于問題-答案對(duì)的上下文而變化。圖(a)顯示了所有問題-答案對(duì)中每個(gè)類別的實(shí)例數(shù)量。

Token數(shù)目統(tǒng)計(jì)：圖(b)展示了實(shí)例描述的token數(shù)目分布，其中有的實(shí)例描述包含了超過(guò)100個(gè)tokens。這些描述不僅限于簡(jiǎn)單的類別名稱；相反，它們通過(guò)基于GPT-4V的數(shù)據(jù)生成流程，大量豐富了每個(gè)實(shí)例的詳細(xì)信息，涵蓋了外觀、屬性和與其他對(duì)象的關(guān)系等。數(shù)據(jù)集中信息的深度和多樣性增強(qiáng)了訓(xùn)練模型的泛化能力，使其能夠有效地解決開放域問題。

目標(biāo)數(shù)目統(tǒng)計(jì)：圖（c）展示了每個(gè)問題-答案對(duì)中目標(biāo)數(shù)量的統(tǒng)計(jì)數(shù)據(jù)。平均目標(biāo)數(shù)量為3.7，最大目標(biāo)數(shù)量可達(dá)34個(gè)。這個(gè)數(shù)字可以覆蓋單個(gè)圖像的大多數(shù)目標(biāo)推理場(chǎng)景。