Ferret: 一个以开放词汇去理解图像的多模态大语言模型

23年10月11日来自哥伦比亚大学和苹果公司的论文“Ferret: Refer And Ground Anything Any-Where At Any Granularity“。

Ferret，是一种多模态大语言模型（MLLM），能够理解图像中任何形状或粒度的空间引用，并准确地落地开放词汇的描述。 为了统一 LLM 范式中的引用和落地，Ferret 采用了一种混合区域表示，将离散坐标和连续特征联合集成在一起来表示图像中的区域。 为了提取多样（versatile）区域的连续特征，作者提出了一种空间-觉察的视觉采样器，其擅长处理包括不同形状的不同稀疏度。 因此，Ferret 可以接受不同的区域输入，例如点、边框和自由形状。 为了增强 Ferret 的期待功能，作者清洗出GRIT（Ground-and-Refer Instruction-Tuning），一个全面的引用和落地指令调优数据集，有 110 万个样本，包括丰富的分层空间知识，并具有 95K难的负数据以提高模型的鲁棒性。

为了评估，作者引入Ferret-Bench，涵盖三种新类型的任务：引用描述、引用推理和对话落地。 对现有 MLLM 进行了基准测试，发现 Ferret 的性能平均比其中最好的 MLLM 快 20.4%。 此外，Ferret 还展示了减轻目标幻觉的有趣特性。其不仅在经典的引用-和-落地任务性能出群，而且在基于区域和定位-需求的多模态聊天中也大大优于现有的 MLLM。

如图所示：Ferret在引用方面，用户可以引用点、框或任何自由形状的区域或目标。 输入中的 RegionN 在输入 LLM 之前将被混合表示替换。 在落地方面，Ferret 能够准确地落地任何开放词汇描述。 输出中的 boxN 表示预测的边框坐标。

下表是Ferret与最近集成了空间-觉察的 MLLM 进行比较。 “Convention”是指用模板转换的公开可用数据集合，“GPT-Generate”表示用 GPT 生成的引用/落地数据集，“Robustness”表示旨在减轻幻觉和提高稳健性的数据集。

如图是Ferret的模型架构。 （左图）提出的混合区域表示和空间-觉察视觉采样器。 （右图）整体模型架构。 除图像编码器之外的所有参数都是可训练的。

如图是Ferret 模型训练的 GRIT 数据集概述。 它包含三种类型的数据：(i) 转换为跟从指令格式的公共数据集（前 3 行）； （ii）通过提示ChatGPT和GPT-4（第4行）生成的数据； (iii) 负样本数据以增强模型的稳健性（最后一行）。

近日，GPT-4向公众发布了其多模态大模型版本，命名为GPT-4V。 在微软对GPT-4V测试的技术报告中“The dawn of lmms: Preliminary explorations with gpt-4v(ision)“（Yang 2023），简要触及了 GPT-4V 的落地能力。 对于引用，GPT-4V 通过以下两种方式提示：（i）参考区域在图像中用红色圆圈/轮廓标记，提出问题去询问红色圆圈/轮廓中的区域。 (ii) 图像是不变的，但Ferret提供相关的图像大小和坐标来引用特定区域。 至于落地，Ferret 遵循（Yang2023）的提示，即“使用边框在图像中定位⟨class⟩。 图像大小为（宽度，高度）”。

正如所观察的，GPT-4V 能够通过图像中的彩色区域或文本中的坐标在一定程度上理解引用。 然而，与 Ferret 相比，GPT-4V 在涉及小区域时缺乏精确理解，例如摩托车中的“减震器（shock absorber）”，参见如图顶部的例子。

另一方面，GPT-4V 更具有常识性，例如，它进一步强调排气管（ exhaust pipe）可以降低噪音，这一细微差别可能归因于 GPT-4 增强的语言能力。 关于落地，Ferret用验证码测试了 GPT-4V，这一任务在 （Yang 2023）中也提到过。 在交通灯示例中，Ferret 擅长准确识别大多数交通灯，即使在杂乱的场景中也是如此，如上图底部示例所示。

话虽如此，在一般问答领域，GPT-4V 的表现尤其令人印象深刻。 它不仅可以巧妙地管理最初的问题，还可以处理与特定区域相关的后续询问，并提供深入的答案。 尽管如此，Ferret 尤其在需要精确的落地边框时表现出色，并且适合在较小区域内需要精确定位的应用。 这正是 Ferret 填补空白的地方。