TokenPacker: Effizienter visueller Projektor für multimodale LLM

TokenPacker: Efficient Visual Projector for Multimodal LLM

July 2, 2024

Autoren: Wentong Li, Yuqian Yuan, Jian Liu, Dongqi Tang, Song Wang, Jianke Zhu, Lei Zhang

cs.AI

Zusammenfassung

Der visuelle Projektor dient als wesentliche Brücke zwischen dem visuellen Encoder und dem Large Language Model (LLM) in einem Multimodalen LLM (MLLM). In der Regel verwenden MLLMs ein einfaches MLP, um alle visuellen Kontexte über eine Eins-zu-Eins-Transformation zu erhalten. Allerdings sind die visuellen Tokens redundant und können bei der Verarbeitung von hochauflösenden Bildern erheblich zunehmen, was die Effizienz von MLLMs erheblich beeinträchtigt. Einige aktuelle Arbeiten haben Resampler oder Abstraktoren eingeführt, um die Anzahl der resultierenden visuellen Tokens zu reduzieren. Leider gelingt es ihnen nicht, feinere Details zu erfassen und die visuellen Schlussfolgerungsfähigkeiten von MLLMs zu untergraben. In dieser Arbeit schlagen wir einen neuartigen visuellen Projektor vor, der ein Grob-zu-Fein-Schema übernimmt, um die angereicherten Merkmale einzuführen und die kondensierten visuellen Tokens zu generieren. Konkret interpolieren wir zunächst die visuellen Merkmale als eine Punktabfrage mit geringer Auflösung, um die Gesamtdarstellung als Grundlage zu liefern. Anschließend führen wir ein Region-zu-Punkt-Injektionsmodul ein, das hochauflösende, mehrschichtige regionsbasierte Hinweise als feinkörnige Referenzschlüssel und -werte verwendet, um sicherzustellen, dass sie vollständig innerhalb der entsprechenden lokalen Kontextregion absorbiert werden. Dieser Schritt aktualisiert effektiv die grobe Punktabfrage und verwandelt sie in eine angereicherte für das nachfolgende LLM-Argumentieren. Umfangreiche Experimente zeigen, dass unser Ansatz die visuellen Tokens um 75% bis 89% komprimiert, während er vergleichbare oder sogar bessere Leistungen über verschiedene Benchmarks mit deutlich höherer Effizienz erzielt. Die Quellcodes sind unter https://github.com/CircleRadon/TokenPacker verfügbar.

English

The visual projector serves as an essential bridge between the visual encoder and the Large Language Model (LLM) in a Multimodal LLM (MLLM). Typically, MLLMs adopt a simple MLP to preserve all visual contexts via one-to-one transformation. However, the visual tokens are redundant and can be considerably increased when dealing with high-resolution images, impairing the efficiency of MLLMs significantly. Some recent works have introduced resampler or abstractor to reduce the number of resulting visual tokens. Unfortunately, they fail to capture finer details and undermine the visual reasoning capabilities of MLLMs. In this work, we propose a novel visual projector, which adopts a coarse-to-fine scheme to inject the enriched characteristics to generate the condensed visual tokens. In specific, we first interpolate the visual features as a low-resolution point query, providing the overall visual representation as the foundation. Then, we introduce a region-to-point injection module that utilizes high-resolution, multi-level region-based cues as fine-grained reference keys and values, allowing them to be fully absorbed within the corresponding local context region. This step effectively updates the coarse point query, transforming it into an enriched one for the subsequent LLM reasoning. Extensive experiments demonstrate that our approach compresses the visual tokens by 75%~89%, while achieves comparable or even better performance across diverse benchmarks with significantly higher efficiency. The source codes can be found at https://github.com/CircleRadon/TokenPacker.