LLM2CLIP: Мощная языковая модель для расширения представления изображений.

LLM2CLIP: Powerful Language Model Unlock Richer Visual Representation

November 7, 2024

Авторы: Weiquan Huang, Aoqi Wu, Yifan Yang, Xufang Luo, Yuqing Yang, Liang Hu, Qi Dai, Xiyang Dai, Dongdong Chen, Chong Luo, Lili Qiu

cs.AI

Аннотация

CLIP - одна из самых важных мультимодальных фундаментальных моделей сегодня. Что дает CLIP его возможности? Богатые сигналы надзора, предоставляемые естественным языком - носителем человеческих знаний, формируют мощное кросс-модальное пространство представлений. Однако с быстрыми достижениями в области крупных языковых моделей, таких как GPT-4 и LLaMA, границы понимания и генерации языка постоянно расширяются. Это порождает интригующий вопрос: можно ли использовать возможности крупных языковых моделей для дальнейшего улучшения обучения мультимодальных представлений? Потенциальные выгоды от интеграции крупных языковых моделей в CLIP очевидны. Сильное текстовое понимание крупных языковых моделей может фундаментально улучшить способность CLIP обрабатывать подписи к изображениям, радикально улучшая его способность обрабатывать длинные и сложные тексты, что является хорошо известным ограничением обычного CLIP. Более того, крупные языковые модели обучаются на обширном корпусе текста, обладая знаниями об открытом мире. Это позволяет им расширять информацию о подписях во время обучения, увеличивая эффективность процесса обучения. В данной статье мы предлагаем LLM2CLIP, новый подход, который использует мощь крупных языковых моделей для разблокировки потенциала CLIP. Путем настройки крупной языковой модели в пространстве подписей с помощью контрастного обучения мы извлекаем ее текстовые возможности в выходные векторы, значительно улучшая текстовую дискриминацию выходного слоя. Затем мы разрабатываем эффективный процесс обучения, где настроенная крупная языковая модель действует как мощный учитель для визуального кодера CLIP. Благодаря присутствию крупной языковой модели мы теперь можем включать более длинные и сложные подписи, не ограничиваясь окном контекста и ограничениями способностей текстового кодера обычного CLIP. Наши эксперименты демонстрируют, что данный подход приносит существенные улучшения в задачах кросс-модальности.

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.