前期文章提到，多模態(tài)的RAG框架ColPali通過視覺語言模型（VLMs）高效地檢索純視覺特征的文檔，實現(xiàn)視覺文檔問答。 ??【RAG&多模態(tài)】多模態(tài)RAG-ColPali：使用視覺語言模型實現(xiàn)高效的文檔檢索??

本文再來看一個類似工作，VisRAG，一種基于視覺語言模型的檢索增強生成（RAG）方法，用于解決多模態(tài)文檔中的信息利用問題。

方法

VisRAG分為VisRAG-Ret和VisRAG-Gen兩個階段。

傳統(tǒng)的基于文本的RAG（TextRAG，左）依賴于解析后的文本進行檢索和生成，丟失了多模態(tài)文檔中的視覺信息；基于視覺的RAG（VisRAG，右）采用基于VLM的檢索器和生成器直接處理文檔頁面的圖像，從而保留原始頁面中的所有信息。

檢索階段：VisRAG-Ret

VisRAG-Ret將query和文檔頁面分別作為文本和圖像在VLM中進行編碼，產(chǎn)生一系列隱藏狀態(tài)。最終嵌入通過對最后一層VLM隱藏狀態(tài)進行加權平均池化得到：

其中，是第個隱藏狀態(tài)，是序列長度，是第個權重，是查詢或頁面的嵌入。相似度得分通過查詢和頁面嵌入的余弦相似度計算。VisRAG-Ret使用InfoNCE損失進行優(yōu)化：

其中,是正文檔, 是負文檔集, 是查詢和d之間的相似度得分,是溫度。

生成階段：VisRAG-Gen

VisRAG-Gen使用VLM根據(jù)用戶query和檢索到的頁面生成答案。

• 文檔圖像頁面拼接：將所有檢索到的頁面拼接成一個單一圖像，以適應大多數(shù)只能接受單張圖像的VLM。
• 加權選擇：讓VLM為每個頁面生成答案，并根據(jù)多個VLM輸出條件選擇最終答案。最終置信度定義為答案的加權生成概率：其中, 是基于單個文檔d生成答案的困惑度的倒數(shù),
• 能夠接受多圖的VLMs：一些最新的VLM（如MiniCPM-V和Qwen-VL）可以處理多個圖像作為輸入，適用于單跳或多跳問題(跨圖像推理)。

實驗效果

參考文獻

• paper：VISRAG: VISION-BASED RETRIEVAL-AUGMENTED GENERATION ON MULTI-MODALITY DOCUMENTS，https://arxiv.org/pdf/2410.10594
• code：https://github.com/OpenBMB/VisRAG

本文轉載自公眾號大模型自然語言處理  作者：余俊暉

原文鏈接：??https://mp.weixin.qq.com/s/PDWdzgxxfPrivb8_THRu-g??