多模态模型是一种能够接受多种不同输入方式(例如语言、图像、语音、视频)的模型,它们可以在某些情况下产生不同的输出模态1。这些模型能够通过大规模数据上的预训练学到不同模态之间的语义对应关系2。
多模态融合的主要目标是缩小模态间的异质性差异,同时保持各模态特定语义的完整性,并在深度学习模型中取得最优的性能。多模态融合架构分为三类:联合(Joint)架构、协作(Coordinated)架构和编解码(Encode-Decode)架构1。
联合架构是将单模态表示投影到一个共享语义子空间中,以便能够融合多模态特征。
协作架构并不寻求融合而是建模多种模态数据间的相关性,它将多个 (通常是两个)模态映射到协作空间,表示为: f (x_1)sim g (x_2) ,其中~表示一种协作关系。
编解码架构通常用于将一种模态映射到另一种模态的多模态转换任务中,主要由编码器和解码器两部分组成。 编码器将源模态映射到向量 v 中,解码器基于向量 v 将生成一个新的目标模态样本1。