本文探讨了作者对Q-boost的理解，关注低级视觉领域的多模态提升，尤其是通过提出视觉质量评估的方法来缩小与高级别多模态的差距。文章介绍了两种策略：Triadic-ToneIntegration和Multi-PromptEnsemble，以及它们在IQA和VQA任务中的应用和效果对比。
从纯cv进阶到multi-modality。仍旧是关注lowlevel视觉，这是今年新出的Q-instruct中的第二篇文章，Q-boost。
Q-instruct系列全称应该是Q-Future，作者团队今年出了大概4篇关于lowlevel多模态的文章。Q-Future/Q-Instruct: [IQA, Low-level Vision, MLLM] Low-level visual instruction tuning, with a 200K dataset and a model zoo for fine-tuned checkpoints. (github.com)今天来讲解一下个人对其中一篇Q-boost的理解。
首先，作者的一贯思想是认为自从GPT-4V的多模态模型出世以来，整个highlevel的多模态效果是比较理想，当时这是相对的，而lowlevel领域反而不怎么受到关注。作者首先认为最直接的原因是没有一个公开的lowlevel数据集，于是在第一篇Q-instruct文章中提出了一个datapath的数据集，基于llava和mpo（mPLUG-Owl-2）为backbone去tuning了新的模型，对于底层视觉的回答还是比较满意的。这篇有时间会单独分享，今天主要还是看boost。
而boost的出发点是作者认为lowlevel任务并没有一个很好的视觉质量估计方式。就是这个词：visual quality assessment。作者多次提到这个visual quality assessment，为了能够和highlevel之间减少差距作者提出了两种策略来实现更好的视觉质量估计visual quality assessment。
第一种策略便是：Triadic-Tone Integration 三种整合的微调方式（这个翻译是根据个人的感觉来的）
什么叫三种整合的微调方式呢？
在此之前还有两个词要说一下：IQA和VQA分别是：image / video quality assessment。图像或视频质量估计。
简单说一下视频质量估计，简单来说就是取固定的时间取帧，然后走单张image的估计方式，然后加权平均一下，所以下面主要说单张image的估计方式，video的原文公式如下：
接着说单张IQA的处理方式，首先还是上面说的第一种策略TTI。
TTI是啥呢？
我个人的理解是首先transformer的输出可以理解为对某些词token的相关程度的返回。
比如我正常的返回值是good，mid，bad。那么经过多头注意力之后的结果在不加softmax之前其实那个数字表示的就是三个词分别的关联程度，也可以理解成出现在输出文本中的概率。
然后把这样的概率先经过log函数，变成log（good，mid，bad）。然后再经过softmax返回，这样返回的值分别代表每一个评价的概率，当然如果返回文本的话直接返回概率最大的就行。但是作者想通过zeroshot的方式返回，这个zeroshot我看有很多种理解方法，比如什么不训练直接推理的结果什么什么的，但是这里作者的意思应该是zeroshot score。就是要通过一个分数来表达图像的质量。
具体的方式为：）等下，这里还要插一句关键的，作者开始就说了，之前评判图像的标准都是两种状态：good or bad，作者首先认为两种太单一了不能够充分的表达图像的好坏，因此作者加入了一个mid变成了三种状态。其实对于文本返回来说感觉没啥区别就是多了一个中间值，但是作者一直想要比较的是zeroshot score，也就是分数，这就不一样了，为啥呢?
看一下这个分数是咋生成的，刚才经过sftmax之后的good mid bad，已经是三个0-1之间的概率了，而且这三个加起来等于1，sftmax这个和等于一对于这个很重要，所以要提一下。
ok，zeroshot score就等于：1*P（good）+0.5*P（mid）+0*P（bad）。
这里的P是经过sftmax之后的分别的概率值。
原文是这样写的：
原文没有提到bad的概率，但是仔细想一下可以明白bad前面的系数是0，所以可以省略了，而正因为sftmax返回的值的和加起来等于1，所以这个公式才成立，才具有普遍性。
再其次，如果只有good和bad，然后bad还等于0，那其实很难区别出好有多好，坏有多坏，而加入一个mid，还是那句话，虽然在文本的返回上只是多了一个token罢了，但是这个token如果经过log和sftmax之后可就是一个有权重的系数了，这样的影响是远远比只有good和bad要大的。这才是为什么这个分数可以更好的表达出图像好坏的重点！
--------------------
ok，接下来是第二个策略，简单来说就是作者认为对于连续的图，ok，连续的图，为啥说是连续的图呢，因为开始作者也不确定策略2的效果啥样，然而经过试验发现，策略二只对VQA有效果，对IQA可以说不仅没有增强反而还弱化了，所以结论可以说是对于连续的图来说，就是视频。
第二个策略叫：Multi-Prompt Ensemble (MPE)
这个是啥意思呢？
看字面意思是什么多头提示词的整合。
那其实作者的出发点是觉得是否，好，不好，中等，这样的评价在横轴上是可以足够表达了，但是深度上是不是也可以考虑增加一些token呢？为此作者，在好的基础上加了更多的形容词比如：
用更多的形容词形容一种状态，但是后面根据实际试验发现，如果单张也就是IQA来说，加入了MPE的效果反而不如最原始两种的状态。就是好或坏的状态。MPE对于VQA来说确实可以给到更多的形容，更多的信息，从而更准确的评价出VQA。
然而对于IQA来说，这样的形容反而会让本来就单一的图像返回的时候更加混乱了，并没有什么好的效果。因此作者并不建议IQA使用第二种策略。
看这句话：
IQA需要的是更稳定更明确的性质，过多的提示词反而会引发混乱。
下面作者紧接着也说了对于VQA任务，更多的提示词可以给更丰富的信息，让模型更好的返回更合适的结果。
ok
end....
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
