TokenPacker : Projecteur visuel efficace pour les modèles de langage multimodaux

TokenPacker: Efficient Visual Projector for Multimodal LLM

July 2, 2024

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

cs.AI

Résumé

Le projecteur visuel sert de pont essentiel entre l'encodeur visuel et le modèle de langage à grande échelle (LLM) dans un modèle de langage multimodal (MLLM). Typiquement, les MLLM adoptent un simple MLP pour préserver tous les contextes visuels via une transformation un-à-un. Cependant, les tokens visuels sont redondants et peuvent augmenter considérablement lors du traitement d'images haute résolution, ce qui nuit significativement à l'efficacité des MLLM. Certains travaux récents ont introduit un rééchantillonneur ou un abstracteur pour réduire le nombre de tokens visuels résultants. Malheureusement, ils ne parviennent pas à capturer les détails plus fins et compromettent les capacités de raisonnement visuel des MLLM. Dans ce travail, nous proposons un nouveau projecteur visuel, qui adopte un schéma grossier-à-fin pour injecter les caractéristiques enrichies afin de générer des tokens visuels condensés. Plus précisément, nous interpolons d'abord les caractéristiques visuelles comme une requête de points à basse résolution, fournissant la représentation visuelle globale comme fondation. Ensuite, nous introduisons un module d'injection région-à-point qui utilise des indices régionaux multi-niveaux à haute résolution comme clés et valeurs de référence fines, permettant leur absorption complète dans la région contextuelle locale correspondante. Cette étape met efficacement à jour la requête de points grossière, la transformant en une requête enrichie pour le raisonnement LLM ultérieur. Des expériences approfondies démontrent que notre approche compresse les tokens visuels de 75 % à 89 %, tout en atteignant des performances comparables ou même supérieures sur divers benchmarks avec une efficacité significativement plus élevée. Les codes sources peuvent être trouvés à l'adresse 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.