Mini-Gemini: Mining the Potential of Multi-modality Vision Language Models

发表时间：27 Mar 2024

论文链接：https://arxiv.org/pdf/2403.18814

作者单位：The Chinese University of Hong Kong

Motivation：尽管 VLM 的进步促进了基本的视觉对话和推理，但与 GPT-4 和 Gemini 等高级模型相比，性能差距仍然存在。如何在学术环境中以可接受的成本推动VLM接近成熟的模型？

解决方法：我们试图通过从高分辨率视觉token、高质量数据和VLM-guided生成三个方面挖掘 VLMs 以获得更好的性能和任何工作流程的潜力来缩小差距。

1. 为了增强视觉标记，我们建议在不增加视觉token数量的情况下使用额外的视觉编码器进行高分辨率细化。

2. 我们进一步构建了一个高质量的数据集，以促进精确的图像理解和基于推理的生成，扩展了当前VLM的操作范围。

3. 总的来说，Mini-Gemini 进一步挖掘 VLM 的潜力，并使当前框架能够同时理解、推理和生成。我们的方法将这些增强与cutting-edge（尖端的） LLMs和生成模型相结合，旨在提高VLM的性能和用户体验。

实现方式：总的来说，我们的方法采用了任何到任何范式，它擅长将图像和文本作为输入和输出处理。

• 特别是，我们为输入图像引入了一种高效的视觉标记增强管道，具有双编码器系统。它包括孪生编码器，一个用于高分辨率图像，另一个用于低分辨率视觉嵌入，反映了 Gemini 系列的协同功能。

• 在推理过程中，他们在注意力机制中工作，其中低分辨率生成视觉查询，高分辨率对应物为参考提供候选键和值。

模型结构：

1. Dual Vision Encoders：Mini-Gemini的框架在概念上：利用双视觉编码器来提供低分辨率的和高分辨率的视觉嵌入；提出patch信息挖掘以在高分辨率区域和低分辨率视觉query之间进行patch-level挖掘；LLM用于将文本与图像结合起来，同时进行理解和生成。 高分辨率图像、低分辨率图像（高分辨率双线性插值而来），然后双编码器并行处理成多网格视觉嵌入。对于LR（低分辨率图像），使用CLIP vit，这样，N个视觉块之间的长程关系就可以很好地保留下来，以便后续在LLM中进行交互。对于HR(高分辨率图像)，采用基于 CNN 的编码器进行自适应且高效的 HR 图像处理。使用 LAION 预训练 ConvNeXt作为 HR 视觉编码器。因此，可以通过将不同卷积阶段的特征上采样并concate到1/4输入尺度来获得HR特征图。

1. Patch Info Mining: 为了维持 LLM 中最终visual tokens的数量以提高效率，将低分辨率LR的visual embedding作为query，高分辨率HR作为Key和Value，旨在从 HR visual embedding中检索相关视觉线索。

如图 3a 所示，该公式封装了合成和细化视觉线索的过程，从而生成增强的视觉标记 Tv，用于后续的 LLM 处理。它确保每个query的挖掘仅限于 HR 具有 M^2 个特征的相应子区域，从而保持效率。这种设计允许在不扩展视觉标记数量的情况下(Q还是从低分辨率的图像来的，只是与K,V进行计算的时候计算量增加了，但是保持放入LLM的视觉的token数量不变)提取 HR 细节，保持细节丰富度和计算可行性之间的平衡。

此外，还支持视觉令牌扩展。如图 3b 所示，可以将视觉标记扩展到 5N 以捕获更多细节。这是通过将原始图像与其 2× 放大的对应图像合并来实现的，从而产生批量输入 XL∈R5×H′×W′×3。可以使用 LR 视觉编码器得到编码后的视觉嵌入 X′ L ∈ R5×N×C，如第 3.1 节所述。

1. Text and Image Generation 通过挖掘的视觉标记 Tv 和输入文本标记 Tt ，将它们拼接起来作为 LLM 的输入以进行自回归生成。Mini-Gemini 支持纯文本和文本图像生成作为输入和输出，即任意到任意的推理。Mini-Gemini 将用户指令转化为高质量的prompt，从而在潜在扩散模型中生成上下文相关的图像。这种方法反映在后续的高质量图像生成框架中，例如DALLE 3和SORA，它们利用VLM的生成和理解能力来获取用于生成任务的更高质量的文本条件。

实验：为高效训练，固定两个视觉编码器，并优化各个阶段的Patch Info Mining的projector。 同时，仅在指令调优阶段对LLM进行优化。对于模型优化，构建高质量数据以进行跨模态理解和生成。它主要包括用于模态对齐的 1.2M 标题对和用于指令调整的 1.5M 单轮或多轮对话。此外，我们报告了广泛采用的基于零镜头图像的基准测试的结果，包括VQAT (TextVQA)、MMB (MMBench)、MME、MM-Vet、MMMU和MathVista数据集.

结论：仍有很大的潜力需要进一步挖掘。对于视觉理解来说，计数能力和复杂的视觉推理能力还远远不能令人满意。这可能是由于缺乏相应的训练数据，特别是在预训练阶段。同时，对于基于推理的生成，在这项工作中使用文本来桥接 VLM 和扩散模型，因为没有发现基于嵌入的方法有明显的增益。将尝试寻找一种更先进的方式来进行视觉理解、推理和生成。

高分辨率的编码方法来理解图像细节和文字图等，也是一个技术改进，最近很多新发布 VLM 在做类似的工作。