低成本擴(kuò)大輸入分辨率：探秘98億參數(shù)多模態(tài)大模型--Monkey眼中的世界

【導(dǎo)讀】11月，華中科技大學(xué)團(tuán)隊發(fā)布了新的多模態(tài)大模型——Monkey，通過專注于大分辨率，使得Monkey能夠處理分辨率高達(dá)1344×896的圖像，并加入了有著詳細(xì)描述的高質(zhì)量圖文數(shù)據(jù)進(jìn)行訓(xùn)練，幫助Monkey煉就洞察圖像細(xì)節(jié)的火眼金睛，取得了與Caption和QA任務(wù)相關(guān)的16個數(shù)據(jù)集的SOTA，甚至與GPT4V相比，在密集文本問答任務(wù)上也有著亮眼的表現(xiàn)。

論文鏈接：https://arxiv.org/abs/2311.06607

代碼地址：https://github.com/Yuliang-Liu/Monkey

官方demo效果展示：

Monkey在密集文本的問答任務(wù)上取得了很不錯的效果，可以根據(jù)問題的要求進(jìn)行推理，能夠適配中文問答

在文本較少的場景中Monkey也展現(xiàn)了不俗的問答能力，自身擁有豐富的知識庫，可以根據(jù)問題進(jìn)行外推，從而回答出正確的答案

Monkey在Caption任務(wù)上同樣取得了出色的結(jié)果，不僅僅是對圖片進(jìn)行準(zhǔn)確詳細(xì)的描述，同時能夠合理發(fā)散，分析出圖片所傳達(dá)的一些抽象含義

以下是Monkey同GPT4V在密集文本與圖表上進(jìn)行問答的可視化結(jié)果展示。

下圖展示了Monkey的卓越性能，在 18 個不同的數(shù)據(jù)集上進(jìn)行測試的結(jié)果表明，Monkey能夠很好地勝任圖像描述生成、場景問答、以場景文本為中心的視覺問答和面向文檔的視覺問答等任務(wù)，并在16個數(shù)據(jù)集上取得SOTA。

方法介紹:

1. 增大輸入分辨率

將原始輸入圖片裁剪成多個圖片塊，再將這些圖片塊和原始輸入圖片統(tǒng)一到448*448的尺寸。每個圖片塊經(jīng)過視覺編碼時會加入一個專屬的Lora以此更好地提取圖片塊的局部視覺特征，訓(xùn)練時僅訓(xùn)練Lora部分，而原始的輸入圖像則用于提取全局特征，以此方法達(dá)到增大輸入分辨率的目的。

2. 多級特征融合的詳細(xì)描述生成方法生成高質(zhì)量圖文數(shù)據(jù)

主要分為五個步驟：第一步，使用BLIP2對整張圖生成全局描述；第二步用 GRIT生成區(qū)域框，并提供區(qū)域中對象的名稱和詳細(xì)描述，同時使用PPOCR提取區(qū)域的文本框坐標(biāo)和文本內(nèi)容；第三步使用SAM進(jìn)行分割，并送入BLIP2生成對各個物體及其組成部分的詳細(xì)描述；第四步使用BLIP-2 評估過濾掉低分匹配；最后使用ChatGPT 對上述得到的描述進(jìn)行總結(jié)從而得到圖像的詳細(xì)描述。

下圖為使用使用多級特征融合的詳細(xì)描述生成方法后得到的標(biāo)注與原始CC3M標(biāo)注的對比，不難看出，兩種標(biāo)注之間存在著較大的差距，生成的詳細(xì)標(biāo)注盡可能地包含了圖片中的各種細(xì)節(jié)，而不像是CC3M地原始標(biāo)注那樣一句帶過。利用這樣高質(zhì)量的圖文數(shù)據(jù)進(jìn)行訓(xùn)練，使得Monkey能夠更好地把握圖文之間的關(guān)系。

更多的可視化對比結(jié)果與展示:

通過下圖展示的Monkey在QA任務(wù)上與多種大模型的對比結(jié)果，從中我們能夠更加直觀地感受到Monkey強(qiáng)大的問答能力，能夠準(zhǔn)確地把握住問題并給出正確的回答，尤其是在密集文本問答任務(wù)上，目前的大模型或多或少都面臨著一定的問題，Monkey為解決這一難題提供了一條可行的出路。

總結(jié)

Monkey提出了一種訓(xùn)練高效的方法，無需預(yù)訓(xùn)練即可有效地提高模型的輸入分辨率，最高可達(dá)896 x 1344像素。為了彌補(bǔ)簡單文本標(biāo)簽和高分辨率輸入之間的差距，Monkey提出了一種多級特征融合的詳細(xì)描述生成方法，它可以自動提供豐富的信息，以引導(dǎo)模型學(xué)習(xí)圖像中各個物體的屬性及其聯(lián)系。通過這兩種設(shè)計的協(xié)同作用，Monkey練就了一雙火眼金睛，在多個基準(zhǔn)測試中取得了出色的結(jié)果。