本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯(lián)系出處。

人類的預測能力+ViT，會產生什么樣的化學反應？

會讓機器人的行動規(guī)劃能力又快又準。

這是李飛飛團隊的最新研究——MaskViT，通過MVM，掩碼視覺建模對Transformer進行預訓練，從而建立視頻預測模型。

結果顯示，MaskViT不僅能生成256*256視頻，還可以讓機器人行動規(guī)劃的推理速度最高提高了512倍。

來看看這是項什么樣的研究？

從人類身上找靈感

神經科學領域的研究表明，人類的認知、感知能力是有一種預測機制來支持的。

這種對世界的預測模型，可以用來模擬、評估和選擇不同的可能行動。

對人類來說，這一過程是快速和準確的。

如果能賦予機器人類似的預測能力。那么他們就可以在復雜的動態(tài)環(huán)境中快速規(guī)劃、執(zhí)行各類任務。

比如，通過視覺模型來預測控制，也許就是一種方式，但也對算力和準確性提出了更高的要求。

于是，李飛飛團隊就想到了最近諸多進展的ViT架構，以及以何愷明MAE為代表的基于MVM，Masked Visual Modeling這一自監(jiān)督預訓練表征。

但具體要操作起來，仍有不少的技術挑戰(zhàn)。

一方面，全局注意力機制的復雜度與輸入序列長度的平方呈正比，導致視頻處理成本過高。

另一方面，視頻預測任務和自回歸掩碼視覺預訓練之間存在不一致。實際測試時，模型必須從頭預測完整的未來幀序列，導致視頻預測質量不好。

基于這樣的背景，李飛飛團隊提出了MaskViT——通過掩碼視覺建模對Transformer進行預訓練，從而建立視頻預測模型。

具體有兩種設計決策。

首先，為了提高記憶和訓練效率，使用了兩種類型的窗口注意力：空間注意力和時空注意力。

其次，訓練過程中掩碼的token比例是可變的。

在推理階段，視頻是通過迭代細化生成的，其中按照掩碼調度函數(shù)逐步降低掩碼率。

實驗結果

研究團隊在三個不同數(shù)據(jù)集，以及四個不同指標來評估了MaskViT。

結果顯示，跟以往先進的方法比較，MaskViT都表現(xiàn)出了更好的性能，可生成分辨率達256 × 256的視頻。

還在BAIR進行了消融實驗。

隨后，團隊還展示了真實機器人使用MaskViT進行實時規(guī)劃的效果。

推理速度最高可提升512倍。

研究人員表示，本次工作表明，可以通過最小的領域知識，利用掩碼視覺建模的一般框架，賦予像智能體強大的預測模型。

但同時表示，也具有一定的局限性。

比如在每幀量化時會出現(xiàn)閃爍偽影，尤其是在RoboNet這種有靜態(tài)背景的視頻中。

還有如果要擴大視頻預測的規(guī)模，也仍然具有挑戰(zhàn)性，特別是那種有大量攝像機運動的場景。

未來，他們將探索把這一視頻預測方法整合到更復雜的規(guī)劃算法中。

值得一提的是，在今年5月，何愷明團隊曾提出過視頻版MAE，并發(fā)現(xiàn)最佳掩蔽率高達 90%。

論文鏈接：
https://arxiv.org/abs/2206.11894

項目鏈接：
https://maskedvit.github.io/

何愷明論文：
https://arxiv.org/abs/2205.09113