當(dāng)前，多模態(tài)大模型 （MLLM）在多項(xiàng)視覺任務(wù)上展現(xiàn)出了強(qiáng)大的認(rèn)知理解能力。

然而大部分多模態(tài)大模型局限于單向的圖像理解，難以將理解的內(nèi)容映射回圖像上。

比如，模型能輕易說出圖中有哪些物體，但無法將物體在圖中準(zhǔn)確標(biāo)識(shí)出來。

定位能力的缺失直接限制了多模態(tài)大模型在圖像編輯，自動(dòng)駕駛，機(jī)器人控制等下游領(lǐng)域的應(yīng)用。

針對(duì)這一問題，港大和字節(jié)跳動(dòng)商業(yè)化團(tuán)隊(duì)的研究人員提出了一種新范式Groma——

通過區(qū)域性圖像編碼來提升多模態(tài)大模型的感知定位能力。

在融入定位后，Groma可以將文本內(nèi)容和圖像區(qū)域直接關(guān)聯(lián)起來，從而顯著提升對(duì)話的交互性和指向性。

核心思路

如何賦予多模態(tài)大模型定位物體的能力，乃至于將文字內(nèi)容和圖像區(qū)域關(guān)聯(lián)起來，做到“言之有物”，是當(dāng)前一大研究熱點(diǎn)。

常見的做法是微調(diào)大語言模型使其直接輸出物體坐標(biāo)。然而這種方法卻有著諸多限制：

1、在文本上預(yù)訓(xùn)練的大語言模型本身不具備空間理解能力，僅依靠少量數(shù)據(jù)微調(diào)很難精準(zhǔn)定位物體。

2、定位任務(wù)對(duì)輸入圖像的分辨率有較高要求，但提高分辨率會(huì)顯著增加多模態(tài)大模型的計(jì)算量。

3、大語言模型的輸出形式不適合處理精細(xì)的定位任務(wù)，比如分割。

基于這些考慮，Groma提出將定位轉(zhuǎn)移到多模態(tài)大模型的vision tokenizer中，由vision tokenizer發(fā)現(xiàn)并定位潛在的物體，再交給大語言模型識(shí)別。

同時(shí)，這樣的設(shè)計(jì)也充分利用了vision tokenizer本身的空間理解能力，而無需外接專家模型（比如SAM）來輔助定位，從而避免了外接模型的冗余。

具體而言，Groma在全局圖像編碼的基礎(chǔ)上，引入了區(qū)域編碼來實(shí)現(xiàn)定位功能——如下圖所示，Groma先利用Region Proposer定位潛在的物體，再通過Region Encoder將定位到的區(qū)域逐一編碼成region token。

而大語言模型則可以根據(jù)region token的語意判斷其對(duì)應(yīng)的區(qū)域，并通過在輸出中插入region token來達(dá)成類似超鏈接的效果，實(shí)現(xiàn)visually grounded conversation。

同樣地，用戶指定的區(qū)域也可以通過Region Encoder編碼成相應(yīng)的region token，并插入到用戶指令中，從而讓多模態(tài)模型能關(guān)注到指定的區(qū)域并產(chǎn)生指向性的回答。

為了提升定位的魯棒性和準(zhǔn)確性，Groma采用了超過8M的數(shù)據(jù)（包括SA1B）來預(yù)訓(xùn)練Region Proposer。因此其產(chǎn)生的proposal不僅包括常見的物體，也涵蓋了物體的組成部分以及更廣闊的背景等要素。

此外，得益于分離式的設(shè)計(jì)，Groma可以采用高分辨率特征圖用于Region Proposer/Encoder的輸入，并采用低分辨率的特征圖用于大模型輸入，從而在降低計(jì)算量的同時(shí)又不損失定位性能。

實(shí)驗(yàn)結(jié)果

Groma在傳統(tǒng)的Grounding Benchmarks上表現(xiàn)出了超越MiniGPT-v2和Qwen-VL的性能。

同時(shí)，Groma在多模態(tài)大模型通用的VQA Benchmark (LLaVA-COCO)驗(yàn)證了其對(duì)話和推理能力。

在可視化的對(duì)比中，Groma也表現(xiàn)出了更高的recall和更少的幻覺。

此外，Groma還支持融合對(duì)話能力和定位能力的referential dialogue以及grounded chat。

得益于大語言模型強(qiáng)大的認(rèn)知推理能力，多模態(tài)大模型在視覺理解任務(wù)上表現(xiàn)突出。

然而一些傳統(tǒng)的視覺任務(wù)，如檢測分割、深度估計(jì)等，更多依賴視覺感知能力，這恰恰是大語言模型所缺乏的。

Groma在這個(gè)問題上提供了一種新的解決思路，即把感知和認(rèn)知解耦開來，由vision tokenizer負(fù)責(zé)感知，大語言模型負(fù)責(zé)認(rèn)知。

這種先感知后認(rèn)知的形式除了更符合人類的視覺過程，也避免了重新訓(xùn)練大語言模型的計(jì)算開銷。

5月15日，字節(jié)跳動(dòng)剛剛公布了自研的豆包大模型，提供多模態(tài)能力，下游支持豆包APP、扣子、即夢等50+業(yè)務(wù)，并通過火山引擎開放給企業(yè)客戶，助力企業(yè)提升效率、加速智能化創(chuàng)新。目前，豆包APP已成為中國市場用戶量最大的AIGC應(yīng)用。字節(jié)跳動(dòng)正持續(xù)加大對(duì)頂尖人才和前沿技術(shù)的投入力度，參與行業(yè)頂尖的技術(shù)挑戰(zhàn)和攻堅(jiān)。

項(xiàng)目網(wǎng)站：
https://groma-mllm.github.io
論文鏈接：
https://arxiv.org/abs/2404.13013
開源代碼：
https://github.com/FoundationVision/Groma