论文阅读：Visual ChatGPT: Talking, Drawing and Editing with Visual Foundation Models

目录

摘要

引言

相关工作

Visual ChatGPT

Prompt Managing of Sysytem Principles M(P)

Prompt Managing of Foundation Models M(F)

Prompt Managing of User Querie M(Qi)

Prompt Managing of Foundation Model Out-puts M(F(A(j)i ))

实验

实验设置

---

摘要

 Visual ChatGPT的作用：

1、不仅可以发送和接收语言，也可以发送和接收图像；

2、提供了复杂的视觉问题或视觉编辑指令，这需要多个AI模型多步骤的协作；

3、提供反馈并且要求纠正结果。

考虑到多输入/输出模型和需要视觉反馈的模型，将一系列提示将可视化模型信息注入到ChatGPT中。

引言

ChatGPT是在InstructGPT的基础上，专门训练它用真正对话的方式与用户交互，从而允许它保持当前对话的上下文，处理后续问题，从而产生正确的答案。

BLIP模型是理解和提供图像描述的专家。Stable Diffusion是基于文本提示合成图像的专家。

本文通过提出一个Visual ChatGPT系统。 我们不是从零开始训练一个新的多模态Chatgpt，而是直接基于Chatgpt构建可视化Chatgpt并集成多种VFMS。 为了弥补ChatGPT与这些VFM之间的差距，我们提出了一个支持以下功能的提示管理器：1）显式地告诉ChatGPT每个VFM的CAPA特性，并指定输入输出格式； 2）将不同的视觉信息，如PNG图像、深度图像和掩模矩阵转换成语言格式，以帮助ChatGPT理解； 3）处理不同Visual Foundation模型的历史、优先级和冲突。 在提示管理器的帮助下，ChatGPT可以利用这些VFMs，并以迭代的方式接收它们的反馈，直到满足用户的要求或达到结束条件。

 如图所示 1、用户上传一个黄花的图像，并输入一个复杂的语言指令“请根据该图像的预测深度生成一朵红花，然后使其像卡通一样，一步一步地进行”。 在提示管理器的帮助下，Visual ChatGPT启动了相关Visual Foundation模型的执行链。 在这种情况下，首先应用深度估计模型检测深度信息，然后利用深度-图像模型生成具有深度信息的红花图形，最后利用基于稳定扩散模型的风格转移VFM将该图像的风格转换为卡通。 在上述流程中，prompt Manager通过提供可视化格式类型和记录信息转换过程来充当ChatGPT的调度程序。 最后，当Visual ChatGPT从提示管理器中获得“卡通”提示时，将结束执行流水线并显示最终结果。

相关工作

需要关注的几篇论文：

1、LiT：《Lit: Zero-shot transfer with locked-image text tuning.》

2、CLIP：《Learning transferable visual models from natural language supervision.》

3、ViT：《Scaling vision transformers.》

4、frozen pre-trained LLMs。

5、Chain-of-Thought（CoT）：激发大规模语言模型的多步推理能力，也就是说CoT要求LLMs为最终结果生成中间答案。现有的技术分为Few-Shot-CoT和Zero-Shot-CoT。这两种用于单一的模态。MultimodalCoT将语言和视觉两个模态结合到一个两阶段框架中，将理论生成和答案推理分开。本文的工作将CoT潜力扩展到大规模任务，包括但不限于文本到图像的生成[27]、图像到图像的翻译[18]、图像到文本的生成[40]等。

Visual ChatGPT

 

Prompt Managing of Sysytem Principles M(P)

Visual ChatGPT是一个集成了不同的VFM来理解视觉信息并生成相应答案的系统。为此，需要定制一些系统原理，然后将其转化为ChatGPT可以理解的提示。这些提示有多种用途，包括：

visual chatgpt的角色：visual chatgpt旨在帮助一系列与文本和视觉相关的任务，如VQA、图像生成和编辑。

VFMS可访问性：Visual ChatGPT可以访问一个VFMS列表，以解决各种VL任务。 使用哪种基础模型的决定完全由ChatGPT模型本身做出，因此很容易支持新的VFMS和VL任务。

文件名敏感性：Visual ChatGPT根据文件名访问图像文件，使用精确的文件名以避免歧义是至关重要的，因为一轮对话可能包含多个图像及其不同的更新版本，误用文件名将导致混淆当前讨论的是哪一个图像。 因此，Visual ChatGPT被设计为严格使用文件名，以确保检索和操作正确的图像文件。

链式思维：处理一个看似简单的命令可能需要多个VFMs，例如“根据图像的深度预测生成一朵红花，然后使其像卡通一样”的查询需要深度估计、深度到图像和样式转移VFMs。 为了通过将查询分解为子问题来解决更具挑战性的查询，在Visual ChatGPT中引入了COT来帮助决策、利用和调度多个VFMS。

推理格式严格性：Visual ChatGPT必须遵循严格的推理格式。 因此，我们采用详细的Regex匹配算法对中间推理结果进行解析，并为ChatGPT模型构造合理的输入格式，以帮助其确定下一次执行，如触发新的VFM或返回最终响应。

可靠性：作为一种语言模型，Visual ChatGPT可能会编造虚假的图像文件名或事实，从而使系统不可靠。 为了处理这些问题，我们设计提示，要求Visual ChatGPT忠于Vision Foundation模型的输出，而不是捏造图像内容或文件名。 此外，多个VFMS的协作可以提高系统的可靠性，因此我们构造的提示将指导ChatGPT优先利用VFMS而不是基于会话历史生成结果。

Prompt Managing of Foundation Models M(F)

Visual ChatGPT配备了多个VFMS来处理各种VL任务。 由于这些不同的VFMS可能有一些相似之处，例如，图像中对象的替换可以被视为生成新的图像，图像到文本(I2T)任务和图像问答(VQA)任务都可以被理解为根据所提供的图像给出响应，因此区分它们至关重要。 如图所示 3、提示管理器具体定义了以下几个方面，以帮助Visual ChatGPT准确理解和处理VL任务：

 名称：名称提示符为每个VFM提供了总体功能的摘要，例如回答有关图像的问题，它不仅帮助Visual ChatGPT简明地理解VFM的目的，而且作为VFM的入口提供了帮助。

用法：用法提示描述了应该使用 VFM 的具体场景。例如，Pix2Pix 模型适用于改变图像的风格。提供此信息有助于 Visual ChatGPT 做出有关将哪个 VFM 用于特定任务的明智决策。

输入/输出：输入和输出提示概述了每个 VFM 所需的输入和输出格式，因为格式可能会有很大差异，并且为 Visual ChatGPT 正确执行 VFM 提供明确的指导至关重要。

示例（可选）：示例提示符是可选的，但它有助于Visual ChatGPT更好地理解如何在特定的输入模板下使用特定的VFM，并处理更复杂的查询。

Prompt Managing of User Querie M(Qi)

Visual ChatGPT 支持多种用户查询，包括语言或图像，简单或复杂的查询，以及多张图片的引用。 Prompt Manager 从以下两个方面处理用户查询：

生成唯一文件名：Visual ChatGPT 可以处理两种类型的图像相关查询：涉及新上传图像的查询和涉及引用现有图像的查询。对于新上传的图像，Visual ChatGPT 会生成一个具有通用唯一标识符 (UUID) 的唯一文件名，并添加一个前缀字符串“image”来表示相对目录，例如“image/{uuid}.png”。虽然新上传的图像不会被输入 ChatGPT，但会生成一个虚假的对话历史记录，其中包含一个说明图像文件名的问题和一个表明图像已收到的答案。这个虚假的对话历史有助于以下对话。对于涉及引用现有图像的查询，Visual ChatGPT 会忽略文件名检查。这种方法已被证明是有益的，因为 ChatGPT 能够理解用户查询的模糊匹配，前提是它不会导致歧义，例如 UUID 名称。

强制VFM思考：为保证Visual ChatGPT的VFM成功触发，我们在（Qi）后面附加了一个后缀提示：“由于Visual ChatGPT是文本语言模型，Visual ChatGPT必须使用工具来观察图像，而不是想象。想法和观察仅对 Visual ChatGPT 可见，Visual ChatGPT 应记住在最终响应中为 Human 重复重要信息。想法：我需要使用工具吗？这个提示有两个目的：1）提示 Visual ChatGPT 使用基础模型，而不是仅仅依靠它的想象； 2) 它鼓励 Visual ChatGPT 提供由基础模型生成的特定输出，而不是诸如“你在这里”之类的通用响应。

Prompt Managing of Foundation Model Out-puts M(F(A(j)i ))

对于来自不同VFMs F(A(j)i)的中间输出，Visual ChatGPT将隐式汇总并反馈给ChatGPT进行后续交互，即调用其他VFMS进行进一步操作，直到达到结束条件或反馈给用户。 内部步骤可以总结如下：

生成链式文件名：由于Visual ChatGPT的中间输出将成为下一轮隐式对话的输入，我们应该使这些输出更符合逻辑，以帮助LLMS更好地理解推理过程。 具体地说，从Visual Foundation模型生成的图像保存在“image/”文件夹下，该文件夹提示以下表示图像名称的字符串。 然后将图像命名为“{name}{operation}{prev name}{org name}”，其中{name}为上述UUID名称，以{operation}为操作名称，以{prev name}为输入图像唯一标识符，以{org name}为用户上传或VFMS生成图像的原始名称。 例如，“image/ui3c edge-ofo0ec nji9dcgf.png”是输入“o0ec”的名为“ui3c”的canny边缘图像，该图像的原始名称是“nji9dcgf”。 通过这样的命名规则，可以提示中间结果属性（即图像）的chatgpt，以及它是如何从一系列操作中生成的。

调动更多的VFMs：visual chatgpt的一个核心是可以自动调用更多的vfms来完成用户的命令。 更具体地说，我们通过在每一代的末尾扩展一个后缀“though：”，使ChatGPT不断地问自己是否需要VFMS来解决当前的问题。

询问更多细节：当用户的命令不明确时，Visual ChatGPT应该询问用户更多细节，以帮助更好地利用VFMS。 这种设计是安全和关键的，因为LLMS不允许任意篡改或毫无根据地猜测用户的意图，尤其是在输入信息不足的情况下。

实验

实验设置

使用LangChain引导LLM，我们从HuggingFace Transformers、Maskformer和ControlNet中收集基础模型。 全面部署所有22个VFMS需要4个NVIDIA V100 GPU，但允许用户部署更少的基础型号，以灵活节省GPU资源。 聊天历史记录的最大长度为2000个，并截断过多的令牌以满足chatgpt的输入长度。

局限性：

虽然Visual ChatGPT是一种很有前途的多模式对话方法，但它有一些局限性，包括：

Visual ChatGPT在很大程度上依赖于ChatGPT来分配任务，并依赖于VFMS来执行任务。 因此，这些模型的准确性和有效性严重影响了可视化ChatGPT的性能。

Visual ChatGPT需要大量的提示工程来将VFMS转换为语言，并使这些模型描述变得可区分。 这个过程可能会占用时间，需要计算机视觉和自然语言处理方面的专业知识。

Visual ChatGPT 被设计为通用的。它试图将一个复杂的任务自动分解成几个子任务。因此，在处理特定任务时，Visual ChatGPT 可能会调用多个 VFM，与专门为特定任务训练的专家模型相比，实时能力有限。

ChatGPT中的最大令牌长度可能会限制可使用的基础模型的数量。 如果有数以千计或数以百万计的基础模型，可能需要一个预滤波模块来限制馈入ChatGPT的VFMS。

轻松插入和拔出基础模型的能力可能会引起安全和隐私问题，特别是对于通过API访问的远程模型。 必须仔细考虑和自动检查，以确保敏感数据不应暴露或泄露。

由于VFMS的故障和提示的不稳定，一些生成结果不能满足。 因此，需要一个自校正模块来检查执行结果与人类意图之间的一致性，并据此进行相应的编辑。 这种自我修正行为会导致对模型的思考更加复杂，显著增加推理时间。