TokenPacker: Эффективный визуальный проектор для мультимодальной LLM

TokenPacker: Efficient Visual Projector for Multimodal LLM

July 2, 2024

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

cs.AI

Аннотация

Визуальный проектор служит важным мостом между визуальным кодером и Большой Языковой Моделью (LLM) в Мультимодальной LLM (MLLM). Обычно MLLM использует простую MLP для сохранения всех визуальных контекстов через однозначное преобразование. Однако визуальные токены избыточны и могут значительно увеличиваться при работе с изображениями высокого разрешения, существенно снижая эффективность MLLM. Некоторые недавние работы ввели ресэмплер или абстрактор для уменьшения количества полученных визуальных токенов. К сожалению, они не улавливают более мелкие детали и подрывают возможности визуального рассуждения MLLM. В данной работе мы предлагаем новый визуальный проектор, который использует схему от грубого к тонкому для внедрения обогащенных характеристик для создания сжатых визуальных токенов. Конкретно, мы сначала интерполируем визуальные особенности как запрос точки низкого разрешения, обеспечивая общее визуальное представление как основу. Затем мы вводим модуль внедрения региона в точку, который использует высокоразрешенные, многоуровневые регионные подсказки в качестве ключей и значений для fein-гранулированной ссылки, позволяя им полностью впитываться в соответствующем локальном контексте региона. Этот шаг эффективно обновляет грубый запрос точки, превращая его в обогащенный для последующего рассуждения LLM. Обширные эксперименты показывают, что наш подход сжимает визуальные токены на 75%~89%, при этом достигая сравнимой или даже лучшей производительности на различных бенчмарках с значительно более высокой эффективностью. Исходный код можно найти по адресу 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.