CV什么时候能迎来ChatGPT时刻？

自动驾驶像NLP的对话一样，是个很复杂的任务，它的解决方案也经历了几代变化：

• Standalone Models（图a）：传统的做法是把最终目标拆解成一个个简单的单一模块，再分别去优化。但模块多了会造成误差传导，同时也可能丢失传递的信息。
• Multi-task（图b）：有工作用多任务学习去训一个统一的模型，同时输出各个模块的预测结果。这样虽然某些任务会相互增强，但也有任务会相互削弱。而且每次更新都需要从新训练（避免遗忘之前的任务），会给系统带来很多变数，不确定性较高。
• Vanilla End2End（图c.1）：能不能直接端到端呢？也有相关尝试，但对于安全要求极高的自动驾驶系统来说，纯端到端的可解释性和安全保障太弱了，想加一些强规则根本加不进去，比如识别到行人在前方就立刻刹车。

考虑到以上方案的优缺点之后，一个更好的方案就呼之欲出了：结合Pipeline系统的可控性+端到端for目标优化的效果保证，进行端到端Pipeline的联合优化（图c.3）。

虽然之前的工作也有类似的思想（图c.2），但都缺少一些任务（下表）：

所以作者（上海人工智能实验室， 武汉大学，商汤）整理了自动驾驶中的感知、预测、规划三大步骤后，提出了UniAD (Unified Autonomous Driving)。

该网络由几个子模块组成，每个模块都是一个transformer decoder，不同模块之间通过向量进行交互，从而达到共同优化最终的目标。

这篇工作主要统一了自动驾驶系统中各模块的优化目标，联合优化后，在不同的子任务上都取得了较大的提升。

CV任务的统一

《Visual Programming: Compositional visual reasoning without training 》

另一篇今年的最佳论文是Visual Programming，出自AllenAI，简单地说就是利用GPT3/4强大的In-Context Learning能力，用伪代码的形式，把复杂的图像理解、编辑任务拆解成几个简单的CV子任务，再直接调用接口解决，如下图。

现在这个时间节点，大家可能已经对这个思路见怪不怪了，不过CVPR23的投稿时间其实是在ChatGPT发布之前，回到那个时间还是比较novel的。（如果关注Embodied AI的话，会发现去年这种LM去做子任务拆解的思路谷歌4月份发布的SayCan[4]就提了，anyway各个方向本身就是相互促进的，估计CVer之前看NLP一堆对比学习的文章也是见怪不怪）。

这种思路虽然很优雅地统一了CV任务的输入输出，但也存在两个让落地变难的点：

1. 从实验结果看各种任务的准确率只有60%-80%（zero-shot），无法比上专门优化的模型。
2. 作者在论文的实验中只定义了20个API，但如果真要覆盖所有CV任务，这个API定义是很大的工程量，而且随着候选API数量提升效果也会下降。

Large Vision Model的范式

《Towards AGI in Computer Vision: Lessons Learned from GPT and Large Language Models》

这篇文章出自华为，作者首先明确了他们眼中AGI的定义，即：

maximizing reward in an environment

要做一个序列决策模型，单纯的图片是不够的，必需有连续的图像信号。因此作者参考参考LLM的训练思路，定义了CV大模型的几个训练步骤：

1. 环境构建：首先需要有一个高质量、贴近现实、能实现各种交互的环境供模型学习（下文我们会讨论为什么要创建一个环境而不直接用现有数据）。
2. 生成式预训练：仿照LM，训练模型预测下一帧。目前CV模型的预训练主要是Contrastive learning（判别式）和Masked image modeling（生成式），但MIM还不是序列层面的。
3. 指令精调：训练模型遵循指令，与环境交互完成各种任务。
4. 感知下游任务：通过前两步的训练之后，作者期望模型可以具备一定的zeroshot能力，通过prompt完成各种子任务。

这篇工作虽然给出了CV大模型的优化范式，但对于细节讨论较少，实操起来还是会有很多挑战，比如第一步环境建立就是一个超大的工程（狗头。

CV统一模型是否可行

让我们再回看开头说的NLP三个统一层级，对于CV是否可行呢？

对于任务形式（输入输出），个人认为不必追求单个模态，两者结合才是最优的。CV和NLP有个很大的差别是图像的信息密度较低。视觉能表达的东西有限，所以衍生出了抽象的语言，对知识、智能建模，作为人之间交流的工具。正因如此，单纯的图像也不适合作为人和机器之间交流的工具。但硬上其实也可以，毕竟我们读书看电脑也都是视觉转语言，中间加一层OCR就可以了。说不定等比transformer更好的编码器出来后真能这么搞。

对于网络结构，近年来有不少工作在尝试了。不过个人认为CV可能还是需要backbone的创新，因为CNN不适合处理长序列，而transformer目前需要把图像压缩成离散的patch，会造成信息损失，在某些落地场景不可用[5]。

像NLP一样以预训练为基座的优化范式的统一则是最难的。回到图像信息密度低的问题，这会导致CV大模型需要比NLP更多的数据进行训练，而数据的获取上就有诸多难点：

1. 互联网上的图片、视频没有文字多。
2. 大部分文字都是通顺的，而视频是跳跃的[6]。用现实世界训练效率又很低，所以第三篇工作才倡导构建一个虚拟环境。

所以个人还是觉得多模态更加靠谱，加一个模态来补充信息。但多模态预训练需要的高质量视频数据也不多，所以我目前觉得可行的是以NLP为基座，再融入CV模态进行生成式的多模态预训练。

最后，补充一个看论文看到的冷知识：我们学到的知识85%来自视觉信号。

参考资料