Long-CLIP：無縫擴展 CLIP 模型的長文本理解能力
一、背景
這里介紹一下新出的文章 Long-CLIP，方案雖然比較簡單，但是 CLIP 使用的場景非常多，因此對很多任務也會比較有幫助。
對應的論文為：??https://arxiv.org/abs/2403.15378??
對應的代碼庫為：??https://github.com/beichenzbc/Long-CLIP/tree/main??
二、摘要
CLIP（Contrastive Language Image Pre-Training）模型在涉及圖文相關的場景中非常常用，比如圖文檢索、文生圖以及大型多模態模型等。它們通常使用 CLIP 中的 Text Encoder 或 Image Encoder 對文本或圖像進行編碼。然而，CLIP 中的 Text Encoder 只支持 77 個 Text Token，甚至有研究表明其超過 20 個 Token 就會導致性能下降，這會導致其無法處理長文本的場景，比如詳細描述。
在 Long-CLIP 中，作者通過對 Positional Embedding 的 Knowledge-Preserved Stretching 以及 Primary Component Matching 方案對 CLIP 模型進行優化，使其在保留短文本能力的同時擴充長文本理解能力，并且可以無縫替換已有的 CLIP 模型，在針對長文本的圖文檢索任務上提升 20%，在傳統圖文檢索任務提升 6%。
三、方法
3.1 CLIP 模型
CLIP 模型是 OpenAI 在大規模圖像-文本對數據集上通過對比學習方式訓練的圖文模型，具體論文可以參考 [2103.00020] Learning Transferable Visual Models From Natural Language Supervision，對應的代碼庫為 GitHub - openai/CLIP: CLIP (Contrastive Language-Image Pretraining), Predict the most relevant text snippet given an image。其核心思想為：一對圖像-文本分別提取特征，這一對特征的相似性應該盡可能大，而圖像和其他文本對應的特征相似性應該盡可能小。
3.2 Knowledge-Preserved Stretching
CLIP 中的 Text Encoder 采用了可學習的絕對 Position Embedding，因此輸入文本 Token 會受到 77 個 Token 的限制，也有一些方案試圖解決這個問題，比如位置編碼插值方法。然而，這種簡單的線性插值方案可能導致對已有 Position Embedding 的干擾，導致影響模型對短文本的理解能力。
幸運的是，作者發現 CLIP 模型本身的前 20 個 Token 的 Postion Embedding 對模型效果起到至關重要的作用，而在之后的 Position Embedding 并沒有經過較充分的學習?；谶@一發現，作者在進行 Position Embedding 插值時會保留前 20 個 Position Embedding，只對后續的 Position Embedding 進行插值。
其相應推理過程也很簡單，這里作者額外創建了一個 positional_embedding_res，其有效長度為 248-20=(77-20)*4=228，也就是 57 個 Position Embedding 擴展為 228 個 Position Embedding，推理時分別處理。
3.3 Primary Component Matching
在進行長度外推后，直接使用長文本進行微調并不能獲得理想的效果，主要是其會導致短文本能力的下降，尤其是在分類任務上。因此，作者進一步探索了如何通過微調來解鎖長文本理解能力，同時保留短文本能力。
具體方案如下圖 Fig.3 所示，作者提出了 Primary Component Matching 策略：
- 同時輸入圖像、短文本以及詳細長文本，分別提取特征，分別對應細粒度圖像特征、粗粒度文本特征和細粒度文本特征；
- 使用 Primary Component Extraction 模塊從細粒度圖像特征中提取粗粒度圖像特征。
- 訓練的目標為：細粒度圖像特征和細粒度文本特征對齊，粗粒度圖像特征和粗粒度文本特征對齊。?
那么什么是細粒度圖像特征，什么是粗粒度圖像特征呢？作者認為，一個好的模型不僅應該能捕獲各種屬性，還應該理解它們之間的相對關系和不同的重要性。而長描述文本微調可能將模型推向于只捕獲各種屬性，為此，作者期望模型還能夠專注于捕獲關鍵屬性對應的粗粒度圖像特征，并與短文本特征對齊。
基于以上考量，作者將 Primary Component Extraction 模塊分為 3 個基本組件：
- Component-Decomposition Function：分解為特征值（重要性）和特征向量，Ifine 為細粒度圖像特征
? - Component-Filtration Function：按照特征值（重要性）過濾，這里作者保留了32 個最大的特征值
? - ?
- Component-Reconstruction Function：使用過濾后的特征值和特征向量恢復到原來的特征空間，Icoarse 為粗粒度圖像特征
?
上述的過程和我們常見的數據壓縮-重建，圖像去噪等處理高度相似，作者也同樣直接使用 PCA（Principal Component Analysis）方法來實現。
PS：其實 OpenAI 在其文生圖模型 DALL-E 2（[2204.06125] Hierarchical Text-Conditional Image Generation with CLIP Latents） 中也通過 PCA 來降低 CLIP 圖像 embedding 的維度。這是因為作者發現，當使用 SAM 訓練 CLIP 時，CLIP 表征空間的秩急劇下降，同時略微提升了評估指標。作者發現僅保留 1024 個主成分中的 319 個也能幾乎保留全部信息。
四、評估
4.1 定量評估
如下圖 Table 1 所示，在長文本的文本-圖像檢索任務上，提出的 Long-CLIP 模型獲得了最優的效果：
如下圖 Table 2 所示，在短文本的文本-圖像檢索任務上，提出的 Long-CLIP 模型甚至獲得了比原始 CLIP 更好的效果，并且明顯優于直接微調的方案：
如下圖 Table 3 所示，在 0-shot 圖像分類任務上，提出的 Long-CLIP 模型明顯優于直接微調的方案，并且相比原始 CLIP 差距不大：
4.2 消融實驗
作者也進一步進行了消融實驗，來驗證提出的兩個組件 Knowledge-Preserved Stretching(KPS) 以及 Primary Component Matching(PCM) 的有效性。如下圖 Table 4 所示，同時使用兩個組件在所有任務上獲得了最優效果：
4.3 定性評估
為了驗證提供模型的即插即用特性，作者直接替換了 Stable-Diffusion-V1-5 中的 CLIP text encoder，用于驗證其文生圖能力，如下圖可以看出，替換后模型能更好的遵循指令，生成更多的細節信息，而原始的結果中往往容易忽略一些內容：
PS：其實 OpenAI 也在很早之前意識到了這個問題，在 DALL-E 3（Improving Image Generation with Better Captions）模型中，他們發現傳統的文生圖模型難以遵循詳細的圖像描述，并且經常出現忽略單詞或混淆提示的語義，作者猜測可能是訓練集中的噪聲或者不準確的圖像描述導致的。相應的解決方案是訓練了一個詳圖圖像描述模型，然后對圖像生成高度描述性的文本，然后借助這些文本用于模型訓練，可以大大提高文生圖的指令跟隨能力。此外作者也將相關能力應用到了其強大的視頻生成模型 Sora 中。
PS：在 Google 的 Imagen（[2205.11487] Photorealistic Text-to-Image Diffusion Models with Deep Language Understanding）文生圖模型中作者也發現了類似的現象。具體來說，作者發現使用 CLIP 的 Text Encoder 和 T5-XXL 在 MS-COCO 等簡單任務上獲得了相似的表現，但是在 DrawBench 上人們更喜歡 T5-XXL 作為 Encoder 的結果，作者也認為主要原因是 DrawBench 中的文本 Prompt 更加復雜，比如包含更長、更詳細的描述。
五、參考鏈接
- ???https://arxiv.org/abs/2403.15378???
- ???https://github.com/beichenzbc/Long-CLIP/tree/main???
- ???https://arxiv.org/abs/2103.00020???
- ???https://github.com/openai/CLIP???
- ???https://arxiv.org/abs/2204.06125???
- ???https://cdn.openai.com/papers/dall-e-3.pdf???
- ???https://arxiv.org/abs/2205.11487????
本文轉載自 ??AI閑談??，作者： AI閑談
