TokenPacker: Proiettore Visivo Efficiente per Modelli Linguistici Multimodali

TokenPacker: Efficient Visual Projector for Multimodal LLM

July 2, 2024

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

cs.AI

Abstract

Il proiettore visivo funge da ponte essenziale tra l'encoder visivo e il Large Language Model (LLM) in un Multimodal LLM (MLLM). Tipicamente, gli MLLM adottano un semplice MLP per preservare tutti i contesti visivi attraverso una trasformazione uno-a-uno. Tuttavia, i token visivi sono ridondanti e possono aumentare considerevolmente quando si trattano immagini ad alta risoluzione, compromettendo significativamente l'efficienza degli MLLM. Alcuni lavori recenti hanno introdotto un resampler o un abstractor per ridurre il numero di token visivi risultanti. Purtroppo, questi non riescono a catturare i dettagli più fini e minano le capacità di ragionamento visivo degli MLLM. In questo lavoro, proponiamo un nuovo proiettore visivo, che adotta uno schema da grossolano a fine per iniettare le caratteristiche arricchite e generare token visivi condensati. Nello specifico, prima interpoliamo le caratteristiche visive come una query puntuale a bassa risoluzione, fornendo la rappresentazione visiva complessiva come fondamento. Poi, introduciamo un modulo di iniezione da regione a punto che utilizza indizi basati su regioni ad alta risoluzione e multi-livello come chiavi e valori di riferimento fine-granulari, permettendo loro di essere completamente assorbiti all'interno della corrispondente regione di contesto locale. Questo passaggio aggiorna efficacemente la query puntuale grossolana, trasformandola in una arricchita per il successivo ragionamento LLM. Esperimenti estensivi dimostrano che il nostro approccio comprime i token visivi del 75%~89%, ottenendo prestazioni comparabili o addirittura migliori su diversi benchmark con un'efficienza significativamente maggiore. I codici sorgente sono disponibili all'indirizzo 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.