AAAI 2025｜如何高效桥接视觉和语言，字节&中大提出全新多模态大模型连接器ParGo...-CSDN博客

关注公众号，发现CV技术之美

在多模态大语言模型（MLLMs）的发展中，视觉-语言连接器作为将视觉特征映射到LLM语言空间的关键组件，起到了桥梁作用。

因此，它几乎成为了所有多模态大语言模型中不可或缺的结构之一。然而，如何高效地将视觉特征映射到LLM的探索还有很大提升空间。

字节团队与中大合作提出的 ParGo 模型，通过巧妙地融合全局视野和局部细节，不仅在多项权威基准测试（Benchmark）中表现出色，成功入选了 AAAI 2025。

论文标题：ParGo: Bridging Vision-Language with Partial and Global Views
论文地址：https://arxiv.org/abs/2408.12928
代码地址：https://github.com/bytedance/ParGo

过去，大多数研究主要依赖线性投影或多层感知机（MLP）将视觉特征直接映射，这种方法难以有效控制输入LLMs的视觉token数量，特别是在处理细粒度特征时，导致计算成本极高。

另一类基于注意力机制的方法（如Q-former）通过注意力操作将图像特征投射为固定数量的视觉token，虽然大幅减少了计算成本，但往往使得生成的token集中在图像的显著区域，忽略了细节部分。

为了解决这一问题，ParGo提出了一种创新的全局-局部投影器来连接视觉与文本，通过结合全局视野和局部细节的双重视角，克服了传统方法对显著区域的过度聚焦，使得视觉特征能够在更细腻的层面上得到全面展现，同时有能有效控制过长的token带来的计算成本的升高，进而实现了视觉特征和LLM的高效连接。

全局+局部视角联合

方法

ParGo (Partial-Global) 采用两种类型的可学习token，利用attention机制，同时从局部和全局视角将视觉特征映射到大语言模型（LLM）中。该框架包含两个关键模块：Partial-Global Perception Block (PGP) 和 Cascaded Partial Perception Block (CPP)。这两个模块共同作用，实现了高效的视觉-语言连接，既捕捉了图像的全局信息，又能精细地提取局部特征，从而提升了多模态大语言模型的效果。

图1: ParGo模型框架图

核心模块

Partial-Global Perception Block （PGP）

在 ParGo 中，视觉编码器的特征被映射为两种不同类型的token：Partial token 和 Global token，从而能够分别提取图像的局部和全局信息。具体来说：

Partial tokens：每个token仅与部分视觉特征进行交互，专注于图像的局部信息

Global tokens：全局token则与所有视觉特征进行交互，捕捉图像的全局信息

ParGo 采用了一种新的交叉注意力掩码设计（Partial-Global Attention Mask），如图1 (b) 所示，来处理输入的视觉特征。该设计能够同时输出包含图像局部和全局信息的特征，即 Partial tokens 和 Global tokens。具体的公式如下：

Cascaded Partial Perception Block (CPP)

此外，考虑到不同局部物体在图像中的占比不同，为了进一步增强对多种局部信息的完整捕获能力，ParGo 在 Partial-Global Perception 模块之前引入了 Cascaded Partial Perception (CPP) 模块。

CPP模块的核心是一个带有特殊设计掩码的自注意力机制 ,如图1 (b) 中的 Cascaded Partial Attention Mask。随着层数的增加，每个 Partial token 能够访问到更多的相邻 token，从而逐步扩展其感知范围。该过程可以通过以下公式表示：