大语言模型的视觉天赋:GPT也能通过上下文学习解决视觉任务

当前,大型语言模型(LLM)已经掀起自然语言处理(NLP)领域的变革浪潮。我们看到 LLM 具备强大的涌现能力,在复杂的语言理解任务、生成任务乃至推理任务上都表现优异。这启发人们进一步探索 LLM 在机器学习另一子领域 —— 计算机视觉(CV)方面的潜力。

LLM 的一项卓越才能是它们具备上下文学习的能力。上下文学习不会更新 LLM 的任何参数,却在各种 NLP 任务中却展现出了令人惊艳的成果。那么,GPT 能否通过上下文学习解决视觉任务呢?

最近,来自谷歌和卡内基梅隆大学(CMU)的研究者联合发表的一篇论文表明:只要我们能够将图像(或其他非语言模态)转化为 LLM 能够理解的语言,这似乎是可行的。

大语言模型的视觉天赋:GPT也能通过上下文学习解决视觉任务图片

论文地址:https://arxiv.org/abs/2306.17842

这篇论文揭示了 PaLM 或 GPT 在通过上下文学习解决视觉任务方面的能力,并提出了新方法 SPAE(Semantic Pyramid AutoEncoder)。这种新方法使得 LLM 能够执行图像生成任务,而无需进行任何参数更新。这也是使用上下文学习使得 LLM 生成图像内容的首个成功方法。

我们先来看一下通过上下文学习,LLM 在生成图像内容方面的实验效果。

例如,在给定上下文中,通过提供 50 张手写图像,论文要求 PaLM 2 回答需要生成数字图像作为输出的复杂查询:

大语言模型的视觉天赋:GPT也能通过上下文学习解决视觉任务图片

还能在有图像上下文输入的情况下生成逼真的现实图像:

大语言模型的视觉天赋:GPT也能通过上下文学习解决视觉任务图片

除了生成图像,通过上下文学习,PaLM 2 还能进行图像描述:

大语言模型的视觉天赋:GPT也能通过上下文学习解决视觉任务

还有与图像相关问题的视觉问答:

大语言模型的视觉天赋:GPT也能通过上下文学习解决视觉任务图片

甚至可以去噪生成视频:

大语言模型的视觉天赋:GPT也能通过上下文学习解决视觉任务图片

方法概述

实际上,将图像转化为 LLM 能够理解的语言,是在视觉 Transformer(ViT)论文中就已经研究过的问题。在 Google 和 CMU 的这篇论文中,他们将其提升到了一个新的层次 —— 使用实际的单词来表示图像。

这种方法就像建造一个充满文字的塔楼,捕捉图像的语义和细节。这种充满文字的表示方法让图像描述可以轻松生成,并让 LLM 可以回答与图像相关的问题,甚至可以重构图像像素。

大语言模型的视觉天赋:GPT也能通过上下文学习解决视觉任务

具体来说,该研究提出使用经过训练的编码器和 CLIP 模型将图像转换为一个 token 空间;然后利用 LLM 生成合适的词法 token;最后使用训练有素的解码器将这些 token 转换回像素空间。这个巧妙的过程将图像转换为 LLM 可以理解的语言,使我们能够利用 LLM 在视觉任务中的生成能力。

大语言模型的视觉天赋:GPT也能通过上下文学习解决视觉任务

实验及结果

该研究将 SPAE 与 SOTA 方法 Frozen 和 LQAE 进行了实验比较,结果如下表 1 所示。SPAEGPT 在所有任务上性能均优于 LQAE,且仅使用 2% 的 token。

大语言模型的视觉天赋:GPT也能通过上下文学习解决视觉任务图片

总的来说,在 mini-ImageNet 基准上的测试表明,SPAE 方法相比之前的 SOTA 方法提升了 25% 的性能。

大语言模型的视觉天赋:GPT也能通过上下文学习解决视觉任务图片

为了验证 SPAE 设计方法的有效性,该研究进行了消融实验,实验结果如下表 4 和图 10 所示:

大语言模型的视觉天赋:GPT也能通过上下文学习解决视觉任务图片

大语言模型的视觉天赋:GPT也能通过上下文学习解决视觉任务图片

感兴趣的读者可以阅读论文原文,了解更多研究内容。

文章版权声明

 1 原创文章作者:3045,如若转载,请注明出处: https://www.52hwl.com/85285.html

 2 温馨提示:软件侵权请联系469472785#qq.com(三天内删除相关链接)资源失效请留言反馈

 3 下载提示:如遇蓝奏云无法访问,请修改lanzous(把s修改成x)

 免责声明:本站为个人博客,所有软件信息均来自网络 修改版软件,加群广告提示为修改者自留,非本站信息,注意鉴别

(0)
打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
上一篇 2023年7月18日 上午8:27
下一篇 2023年7月18日 上午8:27