LLM2CLIP: Modelo de Lenguaje Potente que Desbloquea una Representación Visual más Rica

LLM2CLIP: Powerful Language Model Unlock Richer Visual Representation

November 7, 2024

Autores: Weiquan Huang, Aoqi Wu, Yifan Yang, Xufang Luo, Yuqing Yang, Liang Hu, Qi Dai, Xiyang Dai, Dongdong Chen, Chong Luo, Lili Qiu

cs.AI

Resumen

CLIP es uno de los modelos multimodales fundamentales más importantes hoy en día. ¿Qué impulsa las capacidades de CLIP? Las señales de supervisión ricas proporcionadas por el lenguaje natural, portador del conocimiento humano, dan forma a un espacio de representación cruzada poderoso. Sin embargo, con los rápidos avances en modelos de lenguaje grandes (LLMs) como GPT-4 y LLaMA, los límites de la comprensión y generación del lenguaje están siendo continuamente ampliados. Esto plantea una pregunta intrigante: ¿se pueden aprovechar las capacidades de los LLMs para mejorar aún más el aprendizaje de representaciones multimodales? Los beneficios potenciales de incorporar LLMs en CLIP son claros. La sólida comprensión textual de los LLMs puede mejorar fundamentalmente la capacidad de CLIP para manejar subtítulos de imágenes, mejorando drásticamente su capacidad para procesar textos largos y complejos, una limitación bien conocida de CLIP básico. Además, los LLMs se entrenan en un vasto corpus de texto, poseyendo conocimiento del mundo abierto. Esto les permite ampliar la información de los subtítulos durante el entrenamiento, aumentando la eficiencia del proceso de aprendizaje. En este documento, proponemos LLM2CLIP, un enfoque novedoso que aprovecha el poder de los LLMs para desbloquear el potencial de CLIP. Al ajustar finamente el LLM en el espacio de subtítulos con aprendizaje contrastivo, extraemos sus capacidades textuales en las incrustaciones de salida, mejorando significativamente la discriminabilidad textual de la capa de salida. Luego diseñamos un proceso de entrenamiento eficiente donde el LLM ajustado finamente actúa como un maestro poderoso para el codificador visual de CLIP. Gracias a la presencia del LLM, ahora podemos incorporar subtítulos más largos y complejos sin verse restringidos por la ventana de contexto y las limitaciones de capacidad del codificador de texto de CLIP básico. Nuestros experimentos demuestran que este enfoque aporta mejoras sustanciales en tareas multimodales.

English

CLIP is one of the most important multimodal foundational models today. What powers CLIP's capabilities? The rich supervision signals provided by natural language, the carrier of human knowledge, shape a powerful cross-modal representation space. However, with the rapid advancements in large language models LLMs like GPT-4 and LLaMA, the boundaries of language comprehension and generation are continually being pushed. This raises an intriguing question: can the capabilities of LLMs be harnessed to further improve multimodal representation learning? The potential benefits of incorporating LLMs into CLIP are clear. LLMs' strong textual understanding can fundamentally improve CLIP's ability to handle image captions, drastically enhancing its ability to process long and complex texts, a well-known limitation of vanilla CLIP. Moreover, LLMs are trained on a vast corpus of text, possessing open-world knowledge. This allows them to expand on caption information during training, increasing the efficiency of the learning process. In this paper, we propose LLM2CLIP, a novel approach that embraces the power of LLMs to unlock CLIP's potential. By fine-tuning the LLM in the caption space with contrastive learning, we extract its textual capabilities into the output embeddings, significantly improving the output layer's textual discriminability. We then design an efficient training process where the fine-tuned LLM acts as a powerful teacher for CLIP's visual encoder. Thanks to the LLM's presence, we can now incorporate longer and more complex captions without being restricted by vanilla CLIP's text encoder's context window and ability limitations. Our experiments demonstrate that this approach brings substantial improvements in cross-modal tasks.