VLM多模態(tài)大模型的視覺編碼策略

為清晰理解眾多VLM對(duì)視覺輸入的處理方式，整理了幾篇代表性的工作。

原標(biāo)題：VLM多模態(tài)大模型的視覺編碼策略
文章來源：智猩猩GenAI
內(nèi)容字?jǐn)?shù)：2135字

AI多模態(tài)視覺語言模型（VLM）在自動(dòng)駕駛領(lǐng)域的應(yīng)用

本文首先介紹了即將在北京舉辦的第四屆全球自動(dòng)駕駛峰會(huì)，峰會(huì)將涵蓋自動(dòng)駕駛的多個(gè)前沿領(lǐng)域，包括視覺語言模型等技術(shù)研討會(huì)。隨后，文章重點(diǎn)關(guān)注了視覺語言模型（VLM）在圖像處理方面的最新進(jìn)展，并對(duì)幾篇代表性論文進(jìn)行了總結(jié)和分析。

1. 視覺語言模型（VLM）概述

視覺語言模型 (VLM) 旨在融合視覺和語言信息，實(shí)現(xiàn)更高級(jí)別的多模態(tài)理解和生成能力。其核心在于高效的視覺編碼器，負(fù)責(zé)提取圖像中不同尺寸的視覺特征。本文著重分析了不同VLM在視覺編碼器設(shè)計(jì)上的差異。

2. 不同VLM視覺編碼器的比較

文章對(duì)六種代表性VLM的視覺編碼器進(jìn)行了比較，總結(jié)如下：

InternVL: 使用大型視覺基礎(chǔ)模型InternViT-6B (基于原始ViT架構(gòu))，并通過一個(gè)8B的LLM進(jìn)行微調(diào)。
LLaVA-OneVision: 采用AnyRes技術(shù)，支持任意尺寸高分辨率圖像處理。對(duì)單圖進(jìn)行網(wǎng)格裁剪處理，多圖或視頻則逐圖處理。實(shí)驗(yàn)表明，提高分辨率比增加token數(shù)量更有效。
Long Context Transfer from Language to Vision: 提出UniRes技術(shù)，相比AnyRes，去除了全圖縮略圖，對(duì)每個(gè)網(wǎng)格進(jìn)行2×2池化。
Pixtral: 隨機(jī)初始化訓(xùn)練Pixtral-Vit，支持各種分辨率，并加入行結(jié)束標(biāo)記token和門控機(jī)制。利用相對(duì)旋轉(zhuǎn)位置編碼(RoPE-2D)處理不同尺寸圖像。
Qwen2-VL: 類似Pixtral，采用2D-RoPE，并提出M-RoPE統(tǒng)一編碼圖像、視頻和文本位置信息。
Idefics2: 使用NaVit視覺編碼器，支持動(dòng)態(tài)分辨率，無需圖像分割，通過將不同圖像序列打包成一個(gè)長(zhǎng)序列，并限制自注意力機(jī)制在當(dāng)前圖像序列內(nèi)應(yīng)用來處理不同尺寸的圖像。

3. 視覺編碼器技術(shù)的演進(jìn)趨勢(shì)

從上述VLM的視覺編碼器設(shè)計(jì)可以看出，研究者們不斷探索更高效、更靈活的方案，以應(yīng)對(duì)不同分辨率、不同類型（單圖、多圖、視頻）的視覺輸入。 AnyRes和UniRes等技術(shù)旨在高效處理高分辨率圖像，而RoPE-2D和M-RoPE等位置編碼技術(shù)則提升了模型對(duì)不同尺寸圖像的適應(yīng)性。動(dòng)態(tài)分辨率處理能力也成為一個(gè)重要的發(fā)展方向。

4. VLM在自動(dòng)駕駛中的應(yīng)用前景

VLM技術(shù)在自動(dòng)駕駛領(lǐng)域具有巨大的應(yīng)用潛力。通過對(duì)道路場(chǎng)景圖像和文本信息的理解，VLM可以輔助自動(dòng)駕駛系統(tǒng)進(jìn)行更準(zhǔn)確的環(huán)境感知、決策規(guī)劃和人機(jī)交互。例如，VLM可以用于理解交通標(biāo)志、路牌等信息，以及對(duì)復(fù)雜路況進(jìn)行語義理解，從而提升自動(dòng)駕駛系統(tǒng)的安全性與可靠性。

總而言之，VLM技術(shù)的快速發(fā)展為自動(dòng)駕駛系統(tǒng)帶來了新的機(jī)遇，其在視覺感知、決策規(guī)劃等方面的應(yīng)用值得期待。