当前,言模T也大型语言模型(LLM)已经掀起自然语言处理(NLP)领域的型的下文学习变革浪潮。我们看到 LLM 具备强大的视觉视觉涌现能力,在复杂的天赋语言理解任务、生成任务乃至推理任务上都表现优异。过上这启发人们进一步探索 LLM 在机器学习另一子领域 —— 计算机视觉(CV)方面的解决潜力。
LLM 的任务一项卓越才能是它们具备上下文学习的能力。上下文学习不会更新 LLM 的大语任何参数,却在各种 NLP 任务中却展现出了令人惊艳的言模T也成果。那么,型的下文学习GPT 能否通过上下文学习解决视觉任务呢?
最近,视觉视觉来自谷歌和卡内基梅隆大学(CMU)的天赋研究者联合发表的一篇论文表明:只要我们能够将图像(或其他非语言模态)转化为 LLM 能够理解的语言,这似乎是过上可行的。
图片
论文地址:https://arxiv.org/abs/2306.17842
这篇论文揭示了 PaLM 或 GPT 在通过上下文学习解决视觉任务方面的解决能力,并提出了新方法 SPAE(Semantic Pyramid AutoEncoder)。这种新方法使得 LLM 能够执行图像生成任务,而无需进行任何参数更新。这也是使用上下文学习使得 LLM 生成图像内容的首个成功方法。
我们先来看一下通过上下文学习,LLM 在生成图像内容方面的实验效果。
例如,在给定上下文中,通过提供 50 张手写图像,论文要求 PaLM 2 回答需要生成数字图像作为输出的复杂查询:
图片
还能在有图像上下文输入的情况下生成逼真的现实图像:
图片
除了生成图像,通过上下文学习,PaLM 2 还能进行图像描述:
还有与图像相关问题的视觉问答:
图片
甚至可以去噪生成视频:
图片
实际上,将图像转化为 LLM 能够理解的语言,是在视觉 Transformer(ViT)论文中就已经研究过的问题。在 Google 和 CMU 的这篇论文中,他们将其提升到了一个新的层次 —— 使用实际的单词来表示图像。
这种方法就像建造一个充满文字的塔楼,捕捉图像的语义和细节。这种充满文字的表示方法让图像描述可以轻松生成,并让 LLM 可以回答与图像相关的问题,甚至可以重构图像像素。
具体来说,该研究提出使用经过训练的编码器和 CLIP 模型将图像转换为一个 token 空间;然后利用 LLM 生成合适的词法 token;最后使用训练有素的解码器将这些 token 转换回像素空间。这个巧妙的过程将图像转换为 LLM 可以理解的语言,使我们能够利用 LLM 在视觉任务中的生成能力。
该研究将 SPAE 与 SOTA 方法 Frozen 和 LQAE 进行了实验比较,结果如下表 1 所示。SPAEGPT 在所有任务上性能均优于 LQAE,且仅使用 2% 的 token。
图片
总的来说,在 mini-ImageNet 基准上的测试表明,SPAE 方法相比之前的 SOTA 方法提升了 25% 的性能。
图片
为了验证 SPAE 设计方法的有效性,该研究进行了消融实验,实验结果如下表 4 和图 10 所示:
图片
图片
感兴趣的读者可以阅读论文原文,了解更多研究内容。
责任编辑:张燕妮 来源: 机器之心 机器学习能力(责任编辑:休闲)
同济科技(600846.SH):终止2017年度配股公开发行证券方案 维护投资者利益
新规后上市公司新发定增预案达234起 8家公募基金率先“抢滩”
北交所开市在即!11月13日进行通关测试 首批星宿股达81家
讯飞星火向全民开放注册,每个人都可以拥有“最聪明”的AI大模型