當前，大型語言模型（LLM）已經(jīng)掀起自然語言處理（NLP）領(lǐng)域的變革浪潮。我們看到 LLM 具備強大的涌現(xiàn)能力，在復雜的語言理解任務、生成任務乃至推理任務上都表現(xiàn)優(yōu)異。這啟發(fā)人們進一步探索 LLM 在機器學習另一子領(lǐng)域 —— 計算機視覺（CV）方面的潛力。

LLM 的一項卓越才能是它們具備上下文學習的能力。上下文學習不會更新 LLM 的任何參數(shù)，卻在各種 NLP 任務中卻展現(xiàn)出了令人驚艷的成果。那么，GPT 能否通過上下文學習解決視覺任務呢？

最近，來自谷歌和卡內(nèi)基梅隆大學（CMU）的研究者聯(lián)合發(fā)表的一篇論文表明：只要我們能夠?qū)D像（或其他非語言模態(tài)）轉(zhuǎn)化為 LLM 能夠理解的語言，這似乎是可行的。

圖片

論文地址：https://arxiv.org/abs/2306.17842

這篇論文揭示了 PaLM 或 GPT 在通過上下文學習解決視覺任務方面的能力，并提出了新方法 SPAE（Semantic Pyramid AutoEncoder）。這種新方法使得 LLM 能夠執(zhí)行圖像生成任務，而無需進行任何參數(shù)更新。這也是使用上下文學習使得 LLM 生成圖像內(nèi)容的首個成功方法。

我們先來看一下通過上下文學習，LLM 在生成圖像內(nèi)容方面的實驗效果。

例如，在給定上下文中，通過提供 50 張手寫圖像，論文要求 PaLM 2 回答需要生成數(shù)字圖像作為輸出的復雜查詢：

圖片

還能在有圖像上下文輸入的情況下生成逼真的現(xiàn)實圖像：

圖片

除了生成圖像，通過上下文學習，PaLM 2 還能進行圖像描述：

還有與圖像相關(guān)問題的視覺問答：

圖片

甚至可以去噪生成視頻：

圖片

方法概述

實際上，將圖像轉(zhuǎn)化為 LLM 能夠理解的語言，是在視覺 Transformer（ViT）論文中就已經(jīng)研究過的問題。在 Google 和 CMU 的這篇論文中，他們將其提升到了一個新的層次 —— 使用實際的單詞來表示圖像。

這種方法就像建造一個充滿文字的塔樓，捕捉圖像的語義和細節(jié)。這種充滿文字的表示方法讓圖像描述可以輕松生成，并讓 LLM 可以回答與圖像相關(guān)的問題，甚至可以重構(gòu)圖像像素。

具體來說，該研究提出使用經(jīng)過訓練的編碼器和 CLIP 模型將圖像轉(zhuǎn)換為一個 token 空間；然后利用 LLM 生成合適的詞法 token；最后使用訓練有素的解碼器將這些 token 轉(zhuǎn)換回像素空間。這個巧妙的過程將圖像轉(zhuǎn)換為 LLM 可以理解的語言，使我們能夠利用 LLM 在視覺任務中的生成能力。

實驗及結(jié)果

該研究將 SPAE 與 SOTA 方法 Frozen 和 LQAE 進行了實驗比較，結(jié)果如下表 1 所示。SPAEGPT 在所有任務上性能均優(yōu)于 LQAE，且僅使用 2% 的 token。

圖片

總的來說，在 mini-ImageNet 基準上的測試表明，SPAE 方法相比之前的 SOTA 方法提升了 25% 的性能。

圖片

為了驗證 SPAE 設(shè)計方法的有效性，該研究進行了消融實驗，實驗結(jié)果如下表 4 和圖 10 所示：

圖片

圖片

感興趣的讀者可以閱讀論文原文，了解更多研究內(nèi)容。