Языково-ориентированное обучение визуальным концепциям

Language-Informed Visual Concept Learning

December 6, 2023

Авторы: Sharon Lee, Yunzhi Zhang, Shangzhe Wu, Jiajun Wu

cs.AI

Аннотация

Наше понимание визуального мира сосредоточено вокруг различных концептуальных осей, характеризующих разные аспекты визуальных объектов. Хотя различные концептуальные оси могут быть легко заданы с помощью языка, например, цвет, точные визуальные нюансы вдоль каждой оси часто выходят за пределы возможностей языкового выражения, например, определенный стиль живописи. В данной работе наша цель — изучить языково-информированное представление визуальных концепций, просто дистиллируя крупные предобученные модели, объединяющие зрение и язык. В частности, мы обучаем набор кодировщиков концепций для кодирования информации, относящейся к набору языково-информированных концептуальных осей, с целью воспроизведения входного изображения через предобученную модель "Текст-в-Изображение" (T2I). Чтобы способствовать лучшему разделению различных кодировщиков концепций, мы привязываем концептуальные эмбеддинги к набору текстовых эмбеддингов, полученных из предобученной модели "Визуальный Вопрос-Ответ" (VQA). На этапе вывода модель извлекает концептуальные эмбеддинги вдоль различных осей из новых тестовых изображений, которые могут быть перекомбинированы для генерации изображений с новыми композициями визуальных концепций. С помощью легковесной процедуры дообучения на этапе тестирования модель также может обобщать на новые концепции, не встречавшиеся во время обучения.

English

Our understanding of the visual world is centered around various concept axes, characterizing different aspects of visual entities. While different concept axes can be easily specified by language, e.g. color, the exact visual nuances along each axis often exceed the limitations of linguistic articulations, e.g. a particular style of painting. In this work, our goal is to learn a language-informed visual concept representation, by simply distilling large pre-trained vision-language models. Specifically, we train a set of concept encoders to encode the information pertinent to a set of language-informed concept axes, with an objective of reproducing the input image through a pre-trained Text-to-Image (T2I) model. To encourage better disentanglement of different concept encoders, we anchor the concept embeddings to a set of text embeddings obtained from a pre-trained Visual Question Answering (VQA) model. At inference time, the model extracts concept embeddings along various axes from new test images, which can be remixed to generate images with novel compositions of visual concepts. With a lightweight test-time finetuning procedure, it can also generalize to novel concepts unseen at training.