TokenPacker: Proyector Visual Eficiente para LLM Multimodal

TokenPacker: Efficient Visual Projector for Multimodal LLM

July 2, 2024

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

cs.AI

Resumen

El proyector visual sirve como un puente esencial entre el codificador visual y el Modelo de Lenguaje Grande (LLM) en un LLM Multimodal (MLLM). Normalmente, los MLLM adoptan un MLP simple para preservar todos los contextos visuales a través de una transformación uno a uno. Sin embargo, los tokens visuales son redundantes y pueden aumentar considerablemente al tratar con imágenes de alta resolución, lo que afecta significativamente la eficiencia de los MLLM. Algunos trabajos recientes han introducido un remuestreador o un abstractor para reducir el número de tokens visuales resultantes. Desafortunadamente, no logran capturar detalles más finos y socavan las capacidades de razonamiento visual de los MLLM. En este trabajo, proponemos un proyector visual novedoso, que adopta un esquema de grueso a fino para inyectar las características enriquecidas y generar los tokens visuales condensados. Específicamente, primero interpolamos las características visuales como una consulta de punto de baja resolución, proporcionando la representación visual general como base. Luego, introducimos un módulo de inyección de región a punto que utiliza claves y valores de referencia de alta resolución y basados en regiones de varios niveles como referencias detalladas, permitiendo que se absorban completamente dentro de la región de contexto local correspondiente. Este paso actualiza efectivamente la consulta de punto grueso, transformándola en una enriquecida para el razonamiento LLM subsiguiente. Experimentos extensos demuestran que nuestro enfoque comprime los tokens visuales en un 75%~89%, mientras logra un rendimiento comparable o incluso mejor en diversos benchmarks con una eficiencia significativamente mayor. Los códigos fuente se pueden encontrar en https://github.com/CircleRadon/TokenPacker.

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.