Un'introduzione alla Modellazione Visione-Linguaggio

An Introduction to Vision-Language Modeling

May 27, 2024

Autori: Florian Bordes, Richard Yuanzhe Pang, Anurag Ajay, Alexander C. Li, Adrien Bardes, Suzanne Petryk, Oscar Mañas, Zhiqiu Lin, Anas Mahmoud, Bargav Jayaraman, Mark Ibrahim, Melissa Hall, Yunyang Xiong, Jonathan Lebensold, Candace Ross, Srihari Jayakumar, Chuan Guo, Diane Bouchacourt, Haider Al-Tahan, Karthik Padthe, Vasu Sharma, Hu Xu, Xiaoqing Ellen Tan, Megan Richards, Samuel Lavoie, Pietro Astolfi, Reyhane Askari Hemmat, Jun Chen, Kushal Tirumala, Rim Assouel, Mazda Moayeri, Arjang Talattof, Kamalika Chaudhuri, Zechun Liu, Xilun Chen, Quentin Garrido, Karen Ullrich, Aishwarya Agrawal, Kate Saenko, Asli Celikyilmaz, Vikas Chandra

cs.AI

Abstract

In seguito alla recente popolarità dei Large Language Models (LLM), sono stati fatti diversi tentativi per estenderli al dominio visivo. Da un assistente visivo che potrebbe guidarci in ambienti sconosciuti a modelli generativi che producono immagini utilizzando solo una descrizione testuale di alto livello, le applicazioni dei modelli vision-language (VLM) avranno un impatto significativo sul nostro rapporto con la tecnologia. Tuttavia, ci sono molte sfide che devono essere affrontate per migliorare l'affidabilità di questi modelli. Mentre il linguaggio è discreto, la visione si evolve in uno spazio a dimensioni molto più elevate in cui i concetti non possono sempre essere facilmente discretizzati. Per comprendere meglio i meccanismi alla base del mappaggio della visione al linguaggio, presentiamo questa introduzione ai VLM che speriamo possa aiutare chiunque desideri entrare nel campo. Innanzitutto, introduciamo cosa sono i VLM, come funzionano e come addestrarli. Successivamente, presentiamo e discutiamo approcci per valutare i VLM. Sebbene questo lavoro si concentri principalmente sul mappaggio di immagini al linguaggio, discutiamo anche l'estensione dei VLM ai video.

English

Following the recent popularity of Large Language Models (LLMs), several attempts have been made to extend them to the visual domain. From having a visual assistant that could guide us through unfamiliar environments to generative models that produce images using only a high-level text description, the vision-language model (VLM) applications will significantly impact our relationship with technology. However, there are many challenges that need to be addressed to improve the reliability of those models. While language is discrete, vision evolves in a much higher dimensional space in which concepts cannot always be easily discretized. To better understand the mechanics behind mapping vision to language, we present this introduction to VLMs which we hope will help anyone who would like to enter the field. First, we introduce what VLMs are, how they work, and how to train them. Then, we present and discuss approaches to evaluate VLMs. Although this work primarily focuses on mapping images to language, we also discuss extending VLMs to videos.