在人類的感官中，一張圖片可以將很多體驗(yàn)融合到一起，比如一張海灘圖片可以讓我們想起海浪的聲音、沙子的質(zhì)地、拂面而來(lái)的微風(fēng)，甚至可以激發(fā)創(chuàng)作一首詩(shī)的靈感。圖像的這種「綁定」（binding）屬性通過(guò)與自身相關(guān)的任何感官體驗(yàn)對(duì)齊，為學(xué)習(xí)視覺(jué)特征提供了大量監(jiān)督來(lái)源。

理想情況下，對(duì)于單個(gè)聯(lián)合嵌入空間，視覺(jué)特征應(yīng)該通過(guò)對(duì)齊所有感官來(lái)學(xué)習(xí)。然而這需要通過(guò)同一組圖像來(lái)獲取所有感官類型和組合的配對(duì)數(shù)據(jù)，顯然不可行。

最近，很多方法學(xué)習(xí)與文本、音頻等對(duì)齊的圖像特征。這些方法使用單對(duì)模態(tài)或者最多幾種視覺(jué)模態(tài)。最終嵌入僅限于用于訓(xùn)練的模態(tài)對(duì)。因此，視頻 - 音頻嵌入無(wú)法直接用于圖像 - 文本任務(wù)，反之亦然。學(xué)習(xí)真正的聯(lián)合嵌入面臨的一個(gè)主要障礙是缺乏所有模態(tài)融合在一起的大量多模態(tài)數(shù)據(jù)。

今日，Meta AI 提出了 ImageBind，它通過(guò)利用多種類型的圖像配對(duì)數(shù)據(jù)來(lái)學(xué)習(xí)單個(gè)共享表示空間。該研究不需要所有模態(tài)相互同時(shí)出現(xiàn)的數(shù)據(jù)集，相反利用到了圖像的綁定屬性，只要將每個(gè)模態(tài)的嵌入與圖像嵌入對(duì)齊，就會(huì)實(shí)現(xiàn)所有模態(tài)的迅速對(duì)齊。Meta AI 還公布了相應(yīng)代碼。

• 論文地址：https://dl.fbaipublicfiles.com/imagebind/imagebind_final.pdf
• GitHub 地址：https://github.com/facebookresearch/ImageBind

具體而言，ImageBind 利用網(wǎng)絡(luò)規(guī)模（圖像、文本）匹配數(shù)據(jù)，并將其與自然存在的配對(duì)數(shù)據(jù)（視頻、音頻、圖像、深度）相結(jié)合，以學(xué)習(xí)單個(gè)聯(lián)合嵌入空間。這樣做使得 ImageBind 隱式地將文本嵌入與其他模態(tài)（如音頻、深度等）對(duì)齊，從而在沒(méi)有顯式語(yǔ)義或文本配對(duì)的情況下，能在這些模態(tài)上實(shí)現(xiàn)零樣本識(shí)別功能。

下圖 2 為 ImageBind 的整體概覽。

與此同時(shí)，研究者表示 ImageBind 可以使用大規(guī)模視覺(jué)語(yǔ)言模型（如 CLIP）進(jìn)行初始化，從而利用這些模型的豐富圖像和文本表示。因此，ImageBind 只需要很少的訓(xùn)練就可以應(yīng)用于各種不同的模態(tài)和任務(wù)。

ImageBind 是 Meta 致力于創(chuàng)建多模態(tài) AI 系統(tǒng)的一部分，從而實(shí)現(xiàn)從所有相關(guān)類型數(shù)據(jù)中學(xué)習(xí)。隨著模態(tài)數(shù)量的增加，ImageBind 為研究人員打開(kāi)了嘗試開(kāi)發(fā)全新整體性系統(tǒng)的閘門(mén)，例如結(jié)合 3D 和 IMU 傳感器來(lái)設(shè)計(jì)或體驗(yàn)身臨其境的虛擬世界。此外它還可以提供一種探索記憶的豐富方式，即組合使用文本、視頻和圖像來(lái)搜索圖像、視頻、音頻文件或文本信息。

綁定內(nèi)容和圖像，學(xué)習(xí)單個(gè)嵌入空間

人類有能力通過(guò)很少的樣本學(xué)習(xí)新概念，比如如閱讀對(duì)動(dòng)物的描述之后，就可以在實(shí)際生活中認(rèn)出它們；通過(guò)一張不熟悉的汽車模型照片，就可以預(yù)測(cè)其引擎可能發(fā)出的聲音。這在一定程度上是因?yàn)閱螐垐D像可以將整體感官體驗(yàn)「捆綁」在一起。然而在人工智能領(lǐng)域，雖然模態(tài)數(shù)量一直在增加，但多感官數(shù)據(jù)的缺乏會(huì)限制標(biāo)準(zhǔn)的需要配對(duì)數(shù)據(jù)的多模態(tài)學(xué)習(xí)。

理想情況下，一個(gè)有著不同種類數(shù)據(jù)的聯(lián)合嵌入空間能讓模型在學(xué)習(xí)視覺(jué)特征的同時(shí)學(xué)習(xí)其他的模態(tài)。此前，往往需要收集所有可能的配對(duì)數(shù)據(jù)組合，才能讓所有模態(tài)學(xué)習(xí)聯(lián)合嵌入空間。

ImageBind 規(guī)避了這個(gè)難題，它利用最近的大型視覺(jué)語(yǔ)言模型它將最近的大規(guī)模視覺(jué)語(yǔ)言模型的零樣本能力擴(kuò)展到新的模態(tài)，它們與圖像的自然配對(duì)，如視頻 - 音頻和圖像 - 深度數(shù)據(jù)，來(lái)學(xué)習(xí)一個(gè)聯(lián)合嵌入空間。針對(duì)其他四種模式（音頻、深度、熱成像和 IMU 讀數(shù)），研究者使用自然配對(duì)的自監(jiān)督數(shù)據(jù)。

通過(guò)將六種模態(tài)的嵌入對(duì)齊到一個(gè)公共空間，ImageBind 可以跨模態(tài)檢索未同時(shí)觀察到的不同類型的內(nèi)容，添加不同模態(tài)的嵌入以自然地對(duì)它們的語(yǔ)義進(jìn)行組合，以及結(jié)合使用 Meta AI 的音頻嵌入與預(yù)訓(xùn)練 DALLE-2 解碼器（設(shè)計(jì)用于與 CLIP 文本嵌入）來(lái)實(shí)現(xiàn)音頻到圖像生成。

互聯(lián)網(wǎng)上存在大量連同文本一起出現(xiàn)的圖像，因此訓(xùn)練圖像 - 文本模型已經(jīng)得到了廣泛的研究。ImageBind 利用了圖像能與各種模態(tài)相連接的綁定屬性，比如利用網(wǎng)絡(luò)數(shù)據(jù)將文本與圖像連接起來(lái)，或者利用在有 IMU 傳感器的可穿戴相機(jī)中捕捉到的視頻數(shù)據(jù)將運(yùn)動(dòng)與視頻連接起來(lái)。

從大規(guī)模網(wǎng)絡(luò)數(shù)據(jù)中學(xué)習(xí)到的視覺(jué)表征可以用作學(xué)習(xí)不同模態(tài)特征的目標(biāo)。這使得 ImageBind 將圖像與同時(shí)出現(xiàn)的任何模態(tài)對(duì)齊，自然地使這些模態(tài)彼此對(duì)齊。熱圖和深度圖等與圖像具有強(qiáng)相關(guān)性的模態(tài)更容易對(duì)齊。音頻和 IMU（慣性測(cè)量單元）等非視覺(jué)的模態(tài)則具有較弱的相關(guān)性，比如嬰兒哭聲等特定聲音可以搭配各種視覺(jué)背景。

ImageBind 表明，圖像配對(duì)數(shù)據(jù)足以將這六種模態(tài)綁定在一起。該模型可以更全面地解釋內(nèi)容，使不同的模態(tài)可以相互「對(duì)話」，并在沒(méi)有同時(shí)觀察它們的情況下找到它們之間的聯(lián)系。例如，ImageBind 可以在沒(méi)有一起觀察音頻和文本的情況下將二者聯(lián)系起來(lái)。這使得其他模型能夠「理解」新的模態(tài)，而不需要任何資源密集型的訓(xùn)練。

ImageBind 強(qiáng)大的 scaling 表現(xiàn)使該模型能夠替代或增強(qiáng)許多人工智能模型，使它們能夠使用其他模態(tài)。例如雖然 Make-A-Scene 可以通過(guò)使用文本 prompt 生成圖像，但 ImageBind 可以將其升級(jí)為使用音頻生成圖像，如笑聲或雨聲。

ImageBind 的卓越性能

Meta 的分析表明，ImageBind 的 scaling 行為隨著圖像編碼器的強(qiáng)度而提高。換句話說(shuō)，ImageBind 對(duì)齊模態(tài)的能力隨著視覺(jué)模型的能力和大小而提升。這表明，更大的視覺(jué)模型對(duì)非視覺(jué)任務(wù)有利，如音頻分類，而且訓(xùn)練這種模型的好處超出了計(jì)算機(jī)視覺(jué)任務(wù)的范疇。

在實(shí)驗(yàn)中，Meta 使用了 ImageBind 的音頻和深度編碼器，并將其與之前在 zero-shot 檢索以及音頻和深度分類任務(wù)中的工作進(jìn)行了比較。

在基準(zhǔn)測(cè)試上，ImageBind 在音頻和深度方面優(yōu)于專家模型。

Meta 發(fā)現(xiàn) ImageBind 可以用于少樣本音頻和深度分類任務(wù)，并且優(yōu)于之前定制的方法。例如，ImageBind 明顯優(yōu)于 Meta 在 Audioset 上訓(xùn)練的自監(jiān)督 AudioMAE 模型，以及在音頻分類上微調(diào)的監(jiān)督 AudioMAE 模型。

此外，ImageBind 還在跨模態(tài)的零樣本識(shí)別任務(wù)上取得了新的 SOTA 性能，甚至優(yōu)于經(jīng)過(guò)訓(xùn)練以識(shí)別該模態(tài)概念的最新模型。