LLM2CLIP: Modelo de Linguagem Poderoso Desbloqueia Representação Visual Mais 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

Resumo

O CLIP é um dos modelos multimodais fundamentais mais importantes hoje. O que impulsiona as capacidades do CLIP? Os ricos sinais de supervisão fornecidos pela linguagem natural, portadora do conhecimento humano, moldam um espaço de representação cruzada poderoso. No entanto, com os avanços rápidos em modelos de linguagem grandes (LLMs) como o GPT-4 e o LLaMA, os limites da compreensão e geração de linguagem estão continuamente sendo ampliados. Isso levanta uma questão intrigante: as capacidades dos LLMs podem ser aproveitadas para melhorar ainda mais o aprendizado de representação multimodal? Os benefícios potenciais de incorporar LLMs ao CLIP são claros. A forte compreensão textual dos LLMs pode melhorar fundamentalmente a capacidade do CLIP de lidar com legendas de imagens, aprimorando drasticamente sua capacidade de processar textos longos e complexos, uma limitação bem conhecida do CLIP convencional. Além disso, os LLMs são treinados em um vasto corpus de texto, possuindo conhecimento de mundo aberto. Isso permite que eles ampliem as informações das legendas durante o treinamento, aumentando a eficiência do processo de aprendizado. Neste artigo, propomos o LLM2CLIP, uma abordagem inovadora que aproveita o poder dos LLMs para desbloquear o potencial do CLIP. Ao ajustar finamente o LLM no espaço de legendas com aprendizado contrastivo, extraímos suas capacidades textuais nos embeddings de saída, melhorando significativamente a discriminabilidade textual da camada de saída. Em seguida, projetamos um processo de treinamento eficiente onde o LLM ajustado atua como um professor poderoso para o codificador visual do CLIP. Graças à presença do LLM, agora podemos incorporar legendas mais longas e complexas sem sermos restritos pela janela de contexto e limitações de capacidade do codificador de texto do CLIP convencional. Nossos experimentos demonstram que essa abordagem traz melhorias substanciais em tarefas multimodais.

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.