来源：DeepTech深科技
新加坡国立大学博士研究生张傲是第一作者，新加坡国立大学博士后研究员姚远担任通讯作者。
图丨张傲（来源：张傲）
能直接定位对象的准确位置，将多模态大模型的图像理解拓至区域级推理
如上可以看出，目前的多模态大模型通常建立在大语言模型的基础之上，通过配备视觉感知模块来获取多模态感知能力。
例如，由谷歌DeepMind 团队推出的视觉语言模型 Flamingo，借助具有重采样器的预训练视觉骨干提取视觉信息，并通过交叉注意机制将它们合并到文本特征中。
BLIP-2 和 Kosmos 模型则是直接将视觉特征作为软提示词，输入进大语言模型。
不过，这些已存在的多模态大模型只能将整个图像作为输入和输出的文本，也就是仅仅局限于从整体上理解图像，无法处理区域级推理任务，比如基于多模态对话，定位图片中的某个对象。
因此，为了进一步提高视觉理解水平，实现用于区域级推理的多模态大模型，当前的解决方案一般选择利用 Pix2seq 方法[2]，也就是把对象的边界框坐标，转换为大语言模型能够理解的一系列纯文本标记。
而后者只需根据这种纯文本标记，就可以生成对象坐标，用户也就能够知道对象在图像中的位置。
但是，该方法也存在一定的缺陷，即只擅长生成对象的边界框，这难以直接地拓展到最能表示对象准确位置的图像掩膜。
其中，需要说明的是，在图像处理和计算机视觉领域，掩膜指的是在不影响图像其他部分的情况下，对图像局部区域进行某些精细的操作。
“我们希望多模态大模型能够非常方便地拓展到复杂的位置形式，就提出把对象的位置信息转化成特征形式，然后全部用该特征进行编码解码，以完成所有对象定位格式的统一。”张傲解释道。
据此，他们构建了 pix2emb 方法。该方法的关键思想在于，先把全部有关位置的信息建模为嵌入，然后通过相应的解码器将其解码为目标格式。
具体来说，研究人员分别引入了“
在文本生成过程中，前者会触发定位解码，它的隐藏状态就可以用于检测和分割，而预测或提供的对象位置，则被编码到后者标记的嵌入中，以供对象引用。
图丨NExT-Chat 的整体框架。图像和给定的边界框分别由图像编码器和框编码器进行编码。在解码过程中，
实现对象定位、区域描述、推理等能力，通过定性方式和定量方式进行验证
采用上述方法，该课题组通过一个包含预训练、指令调优和分割训练三个阶段的训练过程，完成了对 NExT-Chat 的训练。
在第一阶段，他们使用 Flickr30K Entities、Visual Genome 等各种来源的混合数据集，在保持冻结图像编码器的同时，对包含框解码器的整个大语言模型进行训练。
据了解，该阶段的训练耗时约 59 小时，用了 8 个 A100 GPU（80G）。
在第二阶段，又进一步采用来自 VQAv2、RefCOCO、Flickr30K Entities 等测试集的数据对模型进行微调，同样使用 8 个 A100 GPU（80G），训练时长为 10 小时。
经过前两个阶段的训练，该模型已经具备边界框解码能力，也就是能够进行对话和图像定位。
而在第三阶段，研究人员则通过 8 个 A100 GPU（80G）的 3 小时训练，将模型的能力拓展至分割。
据张傲介绍，NExT-Chat 训练完成以后，他和团队便通过定性和定量两种方式，对其有效性进行了验证和评估。
首先是定性验证。研究人员通过对不同场景进行实验，验证了 NExT-Chat 的功能。
例如，如下图所示，在定位复杂对象方面，该模型能够准确地检测并分割查询的对象，如背景中的熊。
在这里，值得一提的是，为了确保 NExT-Chat 不会偏向特定对象，该团队通过不同的查询对它进行测试，也就是让它分别查找背景中的四只熊。
图丨NExT-Chat 的视觉定位示例（来源：arXiv）
而后，该课题组又让该模型根据给定的边界框生成对象描述，以评估 NExT-Chat 在区域描述上的有效性。
如下图所示，当输入“给我一个图片中区域的描述”时，NExT-Chat 始终能够生成专门针对所提供区域的准确描述，即左图的“树是绿色的”，以及右图的“一个白色的灯开关”。
“可以看出，在右图这张有人存在的图片中，NExT-Chat 可以对背景里的小物体进行准确的描述，比如这个白色的灯开关。”张傲表示。
图丨NExT-Chat 的区域描述示例（来源：arXiv）
更有意思的是，该模型除了具备上述能力，还具有针对给定问题生成详细解释的能力。
如下图所示，当对该模型提问“图中男子的潜在工作是什么？请包括对象位置并解释”时，它能够通过分析上下文线索，比如男子穿的制服和骑的马，来推断他的职业可能是一名警察，或负责公共安全保护等职务的执法人员。
图丨NExT-Chat 的推理示例（来源：arXiv）
其次是定量验证。研究人员将 NExT-Chat和LLaVA、MiniGPT-4 等现有的 SOTA 多模态大模型，进行了综合评估。
结果显示，该模型在幻觉、分割、检测等视觉定位任务中，均取得比较优秀的效果。
此外，他们还验证了区域描述等其他任务，发现 NExT-Chat 也都能在不经过专门训练或微调的情况下，达到比此前基于少样本学习训练出的模型更好的效果。
据张傲介绍，该研究始于 2023 年 6 月，前后经历半年时间。一开始，该课题组仅仅打算做出有关掩膜的定位。
但当对模型的效果进行初步验证的时候，他们发现该领域已经有其他课题组用相似的方法实现了掩膜功能。
因此，为增强成果的创新性，他们在该功能的基础上进行了扩展，不仅让模型能够同时描述多个物体的位置，还额外增加了位置输入的能力。
另外，考虑到掩膜是一种非常昂贵的标注，所以他们也采用将少量昂贵的标注和大量廉价的标注相结合的方式，实现在不影响模型效果的前提下，对昂贵标注需求的缩减。
而在目前研究的基础上，该团队也计划进一步增强 NExT-Chat 检测和分割的效果、性能和速度，使它能够被更好地部署在手机或其他终端上。
参考资料：
1.A., Zhang, Y., Yao, W., Ji. et al. NExT-Chat: An LMM for Chat, Detection and Segmentation.arXiv:2311.04498（2023）.https://doi.org/10.48550/arXiv.2311.04498
2.T., Chen, S., Saxena, L., Li. et al. Pix2seq: A language modeling framework for object detection.arXiv:2109.10852（2021）.https://arxiv.org/abs/2109.10852
运营/排版：何晨龙
