最近一段時間，我們見證了大型語言模型（LLM）的顯著進步。特別是，生成式預(yù)訓(xùn)練 Transformer 或 GPT 的發(fā)布引領(lǐng)了業(yè)界和學(xué)術(shù)界的多項突破。自 GPT-4 發(fā)布以來，大型多模態(tài)模型 (LMM) 引起了研究界越來越多的興趣，許多工作致力于構(gòu)建多模態(tài) GPT-4。 

近日，GPT-4V (ision) 由于出色的多模態(tài)感知和推理能力得到了大家格外的關(guān)注。然而，盡管 GPT-4V 具有前所未有的視覺語言理解能力，但其細粒度 visual grounding（輸入是圖片和對應(yīng)的物體描述，輸出是描述物體的 box）能力相對較弱，或者尚未發(fā)揮出來。

舉例來說，當(dāng)用戶詢問下圖中「放置在右邊筆記本電腦的左邊是什么物體？」GPT-4V 給出了馬克杯這個錯誤的答案。當(dāng)用戶接著詢問，「想找一個靠窗的座位，我可以坐在哪里？」GPT-4V 同樣回答不正確。

在意識到上述問題后，來自微軟、香港科技大學(xué)等機構(gòu)的研究者提出了一種新的視覺 prompt 方法 Set-of-Mark（SoM），來解決 GPT-4V 在細粒度視覺任務(wù)上的問題。

• 論文地址：https://arxiv.org/pdf/2310.11441.pdf
• 論文主頁：https://som-gpt4v.github.io/

如圖 1（右）所示，SoM 采用交互式分割模型（例如 SAM）將圖像劃分為不同粒度級別的區(qū)域，并在這些區(qū)域上添加一組標記（mark），例如字母數(shù)字、掩碼（mask）、框（box）。使用添加標記的圖像作為輸入，以解決上述問題。

我們先來看下效果，左為 GPT-4V，右為 GPT-4V+SoM，很明顯后者分類更細致、準確。

下圖示例依然如此，GPT-4V+SoM 效果更明顯。

此外，對于這項研究，有人問道：「SoM 是手動（人工輸入）還是自動的？」

論文一作 Jianwei Yang 表示，SoM 是自動或半自動的。他們編譯了很多自己構(gòu)建自己的分割工具，比如 SEEM、Semantic-SAM 和 SAM，用來幫助用戶自動為圖像分割區(qū)域。同時用戶也可以自己選擇區(qū)域。

用于視覺的 SoM prompt

使用 SoM prompt GPT-4V 的獨特優(yōu)點是它可以產(chǎn)生文本之外的輸出。由于每個標記都與掩碼表征的圖像區(qū)域特定關(guān)聯(lián)，因此可以追溯文本輸出中任何提到的標記的掩碼。

生成成對文本和掩碼的能力使 SoM 能夠 prompt GPT-4V 來生成視覺關(guān)聯(lián)的文本，更重要的是支持各種細粒度視覺任務(wù)，這對普通的 GPT-4V 模型來說是一個挑戰(zhàn)。

通過簡單的 prompt 工程，SoM 可以讓 GPT-4V 廣泛地用于多種視覺任務(wù)，例如：

• 開放詞匯圖像分割：該研究要求 GPT-4V 詳盡地給出所有標記區(qū)域的類別以及從預(yù)定池中選擇的類別。
• 參考分割：給定一個參考表達式，GPT-4V 的任務(wù)是從圖像分區(qū)工具箱生成的候選區(qū)域中選擇最匹配的區(qū)域。
• 短語關(guān)聯(lián)（Phrase Grounding）：與參考分割略有不同，短語關(guān)聯(lián)使用由多個名詞短語組成的完整句子。該研究要求 GPT-4V 為所有標記的短語分配相應(yīng)的區(qū)域。
• 視頻對象分割：以兩個圖像作為輸入。第一個圖像是查詢圖像，其中包含第二個圖像中需要識別的一些對象。鑒于 GPT-4V 支持多個圖像作為輸入，因此 SoM 也可以應(yīng)用于視頻中跨幀的關(guān)聯(lián)視覺對象。

實驗及結(jié)果

研究者使用「分而治之」（divide-and-conquer）的策略來運行實驗和評估。對于每個實例，他們使用新的聊天窗口，這樣一來，評估期間就不會出現(xiàn)上下文泄露了。

具體來講，研究者從每個數(shù)據(jù)集中選擇了小規(guī)模的驗證數(shù)據(jù)子集。對于數(shù)據(jù)集中的每個圖像，他們在使用圖像分割工具箱提取的區(qū)域上覆蓋了一組標記。同時基于具體的任務(wù)，研究者利用不同的分割工具來提出區(qū)域。

下表 1 列出了每個任務(wù)的設(shè)置細節(jié)。

研究者將其方法與以下模型進行比較：

• 預(yù)測坐標的 GPT-4V 基線模型
• SOTA 專用模型
• 開源 LMM

定量結(jié)果

詳細的實驗結(jié)果如下表 2 所示。

首先是圖像分割任務(wù)。研究者將 GPT-4V + SoM 與 COCO Panoptic 分割數(shù)據(jù)集上的強大分割模型 MaskDINO、ADE20K Panoptic 分割數(shù)據(jù)集上的模型 OpenSeeD 進行了比較。

結(jié)果顯示，GPT-4V + SoM 的零樣本性能接近微調(diào)后的 MaskDINO，并大幅優(yōu)于 OpenSeeD。GPT-4V 在 COCO 和 ADE20K 上的相似性能表現(xiàn)出其對廣泛視覺和語義域任務(wù)的強大泛化能力。

然后是參考（referrring）任務(wù)，研究者評估了 RefCOCOg 數(shù)據(jù)集上的模型 RES 和 REC。他們使用 MaskDINO 來提出掩碼，并在圖像上覆蓋上掩碼和數(shù)字。同時使用 mIoU 作為評估指標，并與 SOTA 專用模型 PolyFormer 和 SEEM 進行比較。

結(jié)果顯示，GPT-4V+SoM 擊敗了 Grounding DINO、Polyformer 等專用模型以及 Shikra、LLaVA-1.5、MiniGPT-v2 和 Ferret 等最近的開源 LMM。

接著是 Flickr30K 上的短語關(guān)聯(lián)任務(wù)，研究者使用 Grounding DINO 為每個圖像生成框建議。GPT-4V+SoM 實現(xiàn)了比 GLIPv2 和 Grounding DINO 更強的零樣本性能。

最后研究者在 DAVIS2017 數(shù)據(jù)集上評估了視頻分割任務(wù)。GPT-4V+SoM 實現(xiàn)了優(yōu)于其他專用視覺模型的最佳追蹤性能（78.8 J&F）。

消融研究

研究者探討了標記類型如何影響 Flickr30k 數(shù)據(jù)集上短語關(guān)聯(lián)任務(wù)的最終性能，并比較了兩種類型的標記。第一種是數(shù)字和掩碼，第二種是數(shù)字、掩碼和框。

結(jié)果如下表 3 所示，添加額外的框可以顯著提升性能。

此外研究者探究了當(dāng)生成帶有真值注釋的標記時，GPT-4V 如何表現(xiàn)。他們選擇在 RefCOCOg 驗證集中用真值掩碼替換預(yù)測到的分割掩碼。這意味著 GPT-4V 只需要從注釋短語區(qū)域選擇一個即可。如預(yù)期一樣，參考分割的性能可以得到進一步提升，尤其是當(dāng)分割模型有一些缺失的區(qū)域。

結(jié)果如下表 4 所示，在 SoM 中使用真值掩碼可以將 RefCOCOg 上的性能提升 14.5％（mIoU）。

更多技術(shù)細節(jié)和實驗結(jié)果參閱原論文。