【计算机视觉 | 自然语言处理】BLIP：统一视觉—语言理解和生成任务（论文讲解）

一、前言

今天我们要介绍的论文是 BLIP，论文全名为 Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation。

论文地址为：

https://arxiv.org/pdf/2201.12086.pdf

代码地址为：

https://github.com/salesforce/BLIP

试玩地址为：

https://huggingface.co/spaces/akhaliq/BLIP

在开始正文之前，我们不妨先来试试试玩的效果如何。

二、试玩效果

BLIP 的效果如何呢？用户只需上传一张图像，或单击内置示例加载图像就可完成。

BLIP 模型具有两个功能：

• 图像标注
• 回答问题

BLIP 的 Gradio 演示：用于统一视觉-语言理解和生成的引导语言-图像预训练（Salesforce 研究）。 从 2023 年 3 月 23 日起，现在已禁用图像上传。单击其中一个示例以加载它们：

上传著名油画《星夜》，在图像标注功能下模型输出「caption: a painting with many clouds above the city」。

我们看一下之前其他博主测试的一些效果：

根据试玩效果来看还是不错的。

三、研究背景

视觉 - 语言预训练 (Vision-Language Pre-training，VLP) 提高了许多视觉 - 语言任务的性能。然而，大多数现有的预训练模型只能在基于理解任务（understanding-based tasks）或基于生成任务（generation-based tsaks）中表现出色。

但很少在这两方面都能取得较好的结果。

现有的 VLP 方法主要存在两个局限性：

1. 从模型角度来讲，大多数方法采用基于编码器的模型，或者采用基于编码器 - 解码器模型。然而，基于编码器的模型很难直接转换到文本生成任务中，而编码器 - 解码器模型还没有成功地用于图像 - 文本检索任务；
2. 从数据角度来讲，像 CLIP、SimVLM 等 SOTA 模型通过在 web 上收集的图像 - 文本对进行预训练，尽管扩大数据集获得了性能提升，但 web 上的文本具有噪声，对 VLP 来说并不是最优。

近日，来自 Salesforce Research 的研究者提出了 BLIP（Bootstrapping Language-Image Pre-training），用于统一视觉 - 语言理解和生成任务。

BLIP 是一个新的 VLP 框架，可以支持比现有方法更广泛的下游任务。

BLIP 通过自展标注（bootstrapping the captions），可以有效地利用带有噪声的 web 数据，其中标注器（captioner）生成标注，过滤器（filter）去除有噪声的标注。

该研究在视觉 - 语言任务上取得了 SOTA 性能，例如在图像 - 文本检索任务上， recall@1 提高 2.7%；在图像标注任务上，CIDEr 提高 2.8%、VQA 提高 +1.6%。

当将 BLIP 以零样本的方式直接迁移到视频 - 语言任务时，BLIP 也表现出很强的泛化能力。

四、模型结构

研究者提出的 BLIP 是一个统一的视觉语言预训练（vision-language pre-training, VLP）框架，从有噪声的图像文本对中学习。

接下来详细解读模型架构 MED（mixture of encoder-decoder）、它的预训练目标以及用于数据集自展的方法 CapFilt。

下图为 BLIP 的预训练模型架构和目标：

BLIP 采用 Visual Transformer 作为图像编码器，将输入的图像划分为 patch，然后将 patches 编码为一个 embedding 序列，并用一个额外的 [CLS] 标记来代表全局图像特征。与使用预训练的目标检测器进行视觉特征提取相比，使用 ViT 更便于计算，并且已经逐渐成为主流。

为了预训练一个具有理解和生成能力的统一模型，研究人员提出了多模态混合编码器-解码器（MED），能够用于多任务。

1. 单模态编码器（Unimodal encoder），对图像和文本分别进行编码。文本编码器（text encoder）与 BERT 相同，在文本输入的开头附加一个 [CLS] 标记，以总结句子。
2. 以图像为基础的文本编码器（Image-grounded text encoder），通过在自注意力（SA）层和前馈网络（FFN）之间为文本编码器的每个 Transformer 块插入一个额外的交叉注意力（CA）层来注入视觉信息。一个特定任务的 [Encode] 标记被附加到文本上，[Encode] 的输出 embedding 被用作图像-文本对的多模态表示。
3. 以图像为基础的文本解码器（Image-grounded text decoder），用因果自注意力层（causal self-attention layer）替代编码器中的双向自注意力层。用 [Decode] 标记来表示一个序列的开始和结束。

显然，经由上述的三个模块，这个 MED 模型就拥有了同时匹配 generation-based tasks 和 understanding-based tasks 的能力。

五、Pre-training objectives

本文在 pre-training 的时候使用了三个 objectives，分别是两个 understanding-based objectives 和一个 generatin-based objectives。

1. Image-Text Contrastive Loss (ITC)：通过 contrastive learning 的思想，对齐视觉 transformer 和文本 transformer 的特征空间，目的是为了获得更加优质的 image 和 text 的 representation。
2. Image-Text Matching Loss (ITM)：旨在学习 image-text multimodal representation，来捕获视觉和语言的细粒度对齐。简单的来啊说就是图文匹配，最后输出一个二分类，positive or negative。
3. Image-Text Matching Loss (ITM)：三个 tasks 中的生成任务，为给定的图片生成对应的 description。广泛用于 VLP 的 MLM 损失相比，LM 使模型具有将视觉信息转换为连贯字幕的泛化能力。

六、CapFilt架构

由于大规模预训练的文本-图片对通常是从 web 上找出来的，该文本通常无法准确描述图像的视觉内容，从而使它们成为嘈杂的信号，对于学习视觉语言对齐不是最佳的。

由此，作者提出了一个 CapFilt 架构用来提高 image-text pair 的质量。

如上图所示，其中$I_w$和$T_w$代表 web image-text pair，$(I_h,T_h)$代表高质量的手工标注的 image-text pair。

它引入了两个模块：一个基于 web 图像生成 caption 的 captioner ，以及一个用于去除 image-text pair 噪声的 filter。captioner 和 filter 都是从同一个预训练过的 MED 模型中初始化的，并在 COCO 数据集上单独微调。微调是一个轻量级的过程。

整个过程大概为：先进行 pre_train，之后利用$I_h$，$T_h$分别对 captioner 和 filter 进行 finetune，captioner 给定 web 图片生成对应的 caption，filter 利用ITM判断 web 图片-文字对和 web 图片-生成 caption 对是否 match，如果不 match，则过滤掉，最后将过滤后剩余的图片-文字对和$I_h$，$T_h$合在一起 pre_train 一个新 model。个人理解比较像一个新颖的 online self-knowledge distillation。

七、Experiment

上图是提出的 captioner 和 filter 对最后结果的影响。

上图是 parameters sharing 策略对最后结果的影响。

上图是 image-text retirval 中与其他 SOTA 任务的对比，可以看出有较大提升。

上图是与其他 image caption SOTA 方法的对比。

八、结论

作者提出的 BLIP 架构在大范围的 downstream 任务上达到了 SOTA 的效果，其中包括了 understanding-based tasks 和 generation-based tasks。同时模型使用了一种 dataset bootstrapping 的方法来解决 web 中收集的大量 noisy 数据的问题。

作者还提出有几个潜在的方法可能可以提高BLIP的性能：

• 进行多轮的 dataset bootstrapping
• 为每幅图片生成多个 caption，来扩大语料库
• 训练多个 captioner 和 filter，并进行 model ensemble