GPT-4多模態(tài)能力恐怕是要再等等了。

近日，來自CMU的研究人員全新提出了一種多模態(tài)模型GILL。

論文地址：https://arxiv.org/pdf/2305.17216.pdf

它可以將文本或圖像作為prompt，完成多模態(tài)對話。具體來說，可以實現(xiàn)生成文本、檢索圖像、生成新圖像。

甚至，GILL還能從預先指定的數(shù)據(jù)集中進行圖像檢索，并在推理時決定是檢索還是生成。

值得一提的是，通過嵌入空間之間的映射，CMU團隊將凍結的大模型，與預訓練的文生圖模型相結合。

這樣一來，GILL就能夠實現(xiàn)廣泛的應用，并且在多個文本到圖像任務中優(yōu)于基于Stable Diffusion等生成模型。

先來看一波演示。

演示

GILL能夠將LLM預訓練和凍結能力推廣到許多不同任務中。具體包括：

https://huggingface.co/spaces/jykoh/gill

多模態(tài)對話生成

你可以提示GILL生成類似對話的文本，可以做到圖像檢索、圖像生成，甚至多模態(tài)對話。

比如，你可以問它如何做拉面更有營養(yǎng)？GILL給出了加入蔬菜的建議。

我想要一款紋身。GILL瞬間就給你生成了符合要求的圖案。

如何在市場上宣傳這些蛋糕？GILL建議用一個簡單的標牌，上面附上企業(yè)名稱和小蛋糕的圖片。

從視覺故事生成圖像

另外，GILL還可以根據(jù)交錯的圖像和文本輸入來生成更相關的圖像。

多模態(tài)大模型GILL

GILL的全稱是：Generating Images with Large Language Models，即用大型語言模型生成圖像。

它能夠處理任意交錯的圖像和文本輸入，以生成文本、檢索圖像，和生成新圖像。

GILL模型架構概覽。通過描述損失進行訓練，以學習處理圖像（左），并通過圖像檢索和圖像生成損失進行訓練，以學習生成圖像（右）

研究表明，盡管2種模型使用完全不同的文本編碼器，但可以有效地將凍結的純文本LLM的輸出嵌入空間，映射到凍結文本-圖像生成模型，即Stable Diffusion的嵌入空間。

與其他需要交錯圖像-文本訓練數(shù)據(jù)的方法相比，研究人員通過微調圖像-描述對上的少量參數(shù)來實現(xiàn)這一點。

這個方法計算高效，并且不需要在訓練時運行圖像生成模型。

GILL的推理時間過程。該模型接受圖像和文本輸入，并生成與圖像嵌入交錯的文本。在決定是否檢索或生成特定的token集后，并返回適當?shù)膱D像輸出

在推理過程中，模型接受任意交錯的圖像和文本輸入，并產(chǎn)生與圖像嵌入交錯的文本。在決定是檢索還是生成一組特定的標記后，它返回適當?shù)膱D像輸出（檢索或生成）

在推理過程中，該模型接收任意交錯的圖像和文本輸入，并生成交錯圖像嵌入的文本。在決定是檢索還是生成一組特定的標記后，它會返回相應的圖像輸出（檢索或生成）。

實驗結果

上下文圖像生成

為了測試模型在全新圖像生成的基線方法的能力，研究人員在VIST和VisDial數(shù)據(jù)集上進行了實驗。

這些數(shù)據(jù)集與之前的研究中使用的數(shù)據(jù)集相同，用于對多模態(tài)文本和圖像上下文條件下的圖像檢索進行基準測試。

GILL模型組合了多模態(tài)信息以產(chǎn)生相關的圖像和文本輸出，性能優(yōu)于僅限于圖像檢索的基線模型。

評估指標

評估的重點是生成模型處理復雜語言描述的能力。因此，研究人員計算了衡量生成圖像內容相關性的指標。

這里，有2個指標來評估模型：

1. CLIP相似度：使用CLIP ViT-L圖像編碼器來生成生成圖像和相應真實圖像的合并表示，并得出它們的余弦相似度。分數(shù)越高表示生成的圖像與真實圖像越相似。

2.學習感知圖像塊相似度（LPIPS）：LPIPS評估圖像塊之間的距離。測量真實圖像和生成圖像之間的LPIPS。較低的值表示2個圖像在感知空間中更接近，而較高的值表示2個圖像更不相似。

從視覺故事生成

VIST是一個用于順序視覺和語言任務的數(shù)據(jù)集，其中包含構成故事的5個圖像和文本序列的示例。

評估結果顯示，將GILL與文本到圖像生成基線進行比較。

當2個模型都輸入一個故事描述時，性能相當，SD獲得了比較好的CLIP相似度得分，并且兩個模型獲得了相似的 LPIPS。

然而，當所有5個故事描述都作為輸入提供時，GILL優(yōu)于SD，將CLIP相似度從0.598提高到0.612，將LPIPS從0.704 提高到0.6。

有趣的是，當進一步提供完整的多模態(tài)上下文時，GILL得到了顯著改進，獲得了0.641的CLIP相似度和0.3的LPIPS。

從視覺對話生成

研究人員還在VisDial數(shù)據(jù)集上測試了模型。

與VIST類似，評估模型準確合成所描述圖像的能力，并提供越來越多的問答對話上下文作為輸入。

評估結果顯示，輸入長度較短時，SD優(yōu)于GILL。

然而，當輸入上下文增加時，GILL逐漸改進，并且可以合成與真實圖像更相似的圖像。

當提供完整的10輪對話時，GILL的性能顯著優(yōu)于SD，比CLIP相似度（0.622-0.645）和LPIPS（0.723-0.714）都有所提高。

這些結果，進一步凸顯了GILL在處理類似對話的長文本輸入方面的有效性。

研究人員還引入了GILLMapper模塊，允許模型有效地映射到Stable Diffusion圖像生成骨干網(wǎng)，在PartiPrompts的許多示例中優(yōu)于或匹配SD。

GILLMapper模型架構以隱藏的 [IMG] 表示和學習的查詢嵌入向量序列為條件。

局限性

雖然GILL引入了許多令人興奮的功能，但它是一個早期的研究原型，有幾個局限性。

- GILL的許多功能依賴于LLM主架構。因此，它也繼承了LLM典型的許多問題：

- GILL并不總是在提示時產(chǎn)生圖像，或者當它對對話有用時。

- GILL的局限性在于它有限的視覺處理。目前，研究只使用4個視覺向量來表示每個輸入圖像（由于計算限制），這可能無法捕獲下游任務所需的所有相關視覺信息。

- GILL繼承了LLM的一些意外行為，例如潛在的幻覺，它生成的內容是錯誤的，或者與輸入數(shù)據(jù)無關。它有時還會生成重復的文本，并且并不總是生成連貫的對話文本。

作者介紹

Jing Yu Koh

Jing Yu Koh是CMU機器學習系的二年級博士生，導師是Daniel Fried和Ruslan Salakhutdinov。

目前，他主要的研究方向是基礎語言理解。

丹尼爾·弗里德和魯斯蘭·薩拉庫蒂諾夫為我提供建議。我致力于基礎語言理解，通常是在視覺和語言問題的背景下。

在此之前，他是谷歌研究中心的一名研究工程師，在那里研究視覺和語言問題以及生成模型。