計(jì)算機(jī)視覺GPT時(shí)刻！UC伯克利三巨頭祭出首個(gè)純CV大模型，推理驚現(xiàn)AGI火花

作者：新智元 2023-12-04 13:52:00

UC伯克利的CV三巨頭推出首個(gè)無自然語言的純視覺大模型，第一次證明純CV模型也是可擴(kuò)展的。更令人震驚的是，LVM竟然也能做對(duì)圖形推理題，AGI火花再次出現(xiàn)了？

計(jì)算機(jī)視覺的GPT時(shí)刻，來了！

最近，來自UC伯克利的計(jì)算機(jī)視覺「三巨頭」聯(lián)手推出了第一個(gè)無自然語言的純視覺大模型（Large Vision Models），并且第一次證明了純視覺模型本身也是可擴(kuò)展的（scalability）。

除此之外，研究人員還利用超過420B token的數(shù)據(jù)集讓模型可以通過上下文學(xué)習(xí)來理解并執(zhí)行下游任務(wù)，并且統(tǒng)一了圖片/視頻、有監(jiān)督/無監(jiān)督、合成/真實(shí)、2D/3D/4D等幾乎所有的數(shù)據(jù)形式。

論文地址：https://arxiv.org/abs/2312.00785

值得一提的是，讓LVM做非語言類智商測(cè)試（Raven's Progressive Matrices ）中常見的非語言推理問題，它時(shí)常能做出正確的推斷。

對(duì)此，研究人員驚喜地表示，這或許意味著LVM也展現(xiàn)出了「AGI的火花」！

純視覺模型的逆襲

現(xiàn)在，隨著大語言模型的爆發(fā)，不管是學(xué)術(shù)界還是業(yè)界，都開始嘗試使用「文本」來擴(kuò)大視覺模型的規(guī)模。

包括GPT4-V在內(nèi)的SOTA模型，都是把視覺和文字組合在一起訓(xùn)練的。

以「蘋果」為例，這種方法在訓(xùn)練時(shí)不僅會(huì)給模型看「蘋果的照片」，而且還會(huì)配上文字「這是一個(gè)蘋果」。

然而，在面對(duì)更加復(fù)雜的圖片時(shí)，就很容易忽略其中大量的信息。

比如「蒙娜麗莎」應(yīng)該怎么去描述？或者擺滿各種物品的廚房的照片，也很難清晰地被描述出來。

對(duì)此，來自UC伯克利和約翰斯·霍普金斯大學(xué)的研究人員，提出了一種全新的「視覺序列」建模方法，可以在不使用任何語言數(shù)據(jù)的情況下，訓(xùn)練大規(guī)模視覺模型（Large Vision Model）。

這種名為「視覺序列」的通用格式，可以在其中表征原始圖像和視頻，以及語義分割、深度重建等帶標(biāo)注的數(shù)據(jù)源，且不需要超出像素之外的任何元知識(shí)。

一旦將如此廣泛的視覺數(shù)據(jù)（包含4200億個(gè)token）表征為序列，就可以進(jìn)行模型的訓(xùn)練，讓下一個(gè)token預(yù)測(cè)的交叉熵?fù)p失最小化。

由此得到的LVM模型，不僅可以實(shí)現(xiàn)有效地?cái)U(kuò)展，完成各種各樣的視覺任務(wù)，甚至還能更進(jìn)一步地涌現(xiàn)出比如數(shù)數(shù)、推理、做智力測(cè)試等能力。

左：Alexei A Efros；中：Trevor Darrell；右：Jitendra Malik

簡單來說就是，大規(guī)模視覺模型只需看圖訓(xùn)練，就能理解和處理復(fù)雜的視覺信息，完全不用依賴語言數(shù)據(jù)。

純視覺模型的擴(kuò)展難題

此前，使用預(yù)訓(xùn)練模型的價(jià)值 (例如ImageNet預(yù)訓(xùn)練的 AlexNet) ，早在2015年就已經(jīng)在R-CNN中得到了證明。

從此，它從此成為計(jì)算機(jī)視覺的標(biāo)準(zhǔn)實(shí)踐。

而自監(jiān)督預(yù)訓(xùn)練，作為一種大大增加可用于預(yù)訓(xùn)練的數(shù)據(jù)量的方法被提出。

不幸的是，這種方法并不是很成功，可能是因?yàn)楫?dāng)時(shí)基于CNN的架構(gòu)沒有足夠的能力來吸收數(shù)據(jù)。

隨著Transformer的推出，其容量變得高得多，因此研究人員重新審視了自監(jiān)督預(yù)訓(xùn)練，并發(fā)現(xiàn)了基于Transformer的掩碼圖像重建方法，例如BEiT, MAE，SimMIM，它們要比基于CNN的同類方法表現(xiàn)好得多。

然而，盡管如此，目前預(yù)訓(xùn)練的純視覺模型在擴(kuò)展到真正大的數(shù)據(jù)集(例如LAION) 時(shí)，還是遇到了困難。

如何構(gòu)建「大視覺模型」

那構(gòu)建一個(gè)大規(guī)模視覺模型（Large Vision Model，LVM），需要哪些要素呢？

動(dòng)物世界告訴我們，視覺能力并不依賴于語言。而許多實(shí)驗(yàn)表明，非人類靈長類動(dòng)物的視覺世界，和人類的極為相似。

因此，本文走在了LLaVA這種視覺-語言模型不同的方向：僅依靠像素，我們能走多遠(yuǎn)？

研究人員試圖在LVM中，模仿LLM的兩個(gè)關(guān)鍵特性：（1）在大數(shù)據(jù)環(huán)境下的擴(kuò)展能力，和（2）通過提示（上下文學(xué)習(xí)）靈活地指定任務(wù)。

為了實(shí)現(xiàn)這一目標(biāo)，需要明確三個(gè)主要組件：

數(shù)據(jù)：研究人員希望，能夠充分利用視覺數(shù)據(jù)顯著的多樣性。

首先是原始的未經(jīng)標(biāo)注的圖像和視頻。接下來，研究人員計(jì)劃利用過去幾十年中產(chǎn)生的各種帶標(biāo)注的視覺數(shù)據(jù)資源，如語義分割、深度重建、關(guān)鍵點(diǎn)、3D物體的多個(gè)視圖等。

為此，他們定義了一種名為「視覺序列」的通用格式，來表示這些不同的標(biāo)注，而不需要任何超出像素本身的元知識(shí)。訓(xùn)練數(shù)據(jù)集總共包含1.64億張圖像/幀。

架構(gòu)：研究人員使用了一個(gè)具有30億參數(shù)的大型Transformer架構(gòu)，這個(gè)架構(gòu)在被表征為token序列的視覺數(shù)據(jù)上進(jìn)行訓(xùn)練。

通過學(xué)習(xí)到的tokenizer，將每個(gè)圖像映射到一個(gè)包含256個(gè)向量量化token的字符串。

損失函數(shù)：研究人員從自然語言處理領(lǐng)域獲取了靈感，其中掩碼token模型已經(jīng)演變?yōu)轫樞蜃曰貧w預(yù)測(cè)。

一旦能夠?qū)D像/視頻/帶標(biāo)注的圖像都表征為序列，就可以訓(xùn)練模型來最小化預(yù)測(cè)下一個(gè)token的交叉熵?fù)p失。

通過這種極簡的設(shè)計(jì)，研究人員有了一些新穎的發(fā)現(xiàn)——

- 隨著模型尺寸和數(shù)據(jù)大小的增加，模型會(huì)表現(xiàn)出適當(dāng)?shù)臄U(kuò)展行為。

- 通過在測(cè)試時(shí)設(shè)計(jì)合適的視覺提示，可以解決多種視覺任務(wù)。

- 大量無監(jiān)督數(shù)據(jù)，對(duì)于各種標(biāo)準(zhǔn)視覺任務(wù)性能的提升非常明顯。

- 模型在處理超出分布外數(shù)據(jù)和執(zhí)行新穎任務(wù)時(shí)，表現(xiàn)出了一般的視覺推理能力，但還需要進(jìn)一步的調(diào)查研究。

數(shù)據(jù)

數(shù)據(jù)！數(shù)據(jù)！數(shù)據(jù)！沒有粘土我就做不了磚頭！
——夏洛克·福爾摩斯

任何大型預(yù)訓(xùn)練模型的關(guān)鍵，就必須接受大量數(shù)據(jù)的訓(xùn)練。

對(duì)于語言模型來說，獲得非常多樣化的大數(shù)據(jù)集，是很容易的事。

比如，流行的 CommonCrawl存儲(chǔ)庫，就包含掃描了整個(gè)網(wǎng)絡(luò)的2500億個(gè)網(wǎng)頁，極其多樣化，并且包括語言翻譯、問題回答等「自然演示」。

然而在計(jì)算機(jī)視覺領(lǐng)域，想要擁有同樣規(guī)模和多樣性的數(shù)據(jù)源，還差得很遠(yuǎn)。

因此，研究人員的工作核心貢獻(xiàn)之一，就是構(gòu)建這樣一個(gè)統(tǒng)一視覺數(shù)據(jù)集（UVDv1）。

為此，研究人員利用了許多不同的視覺數(shù)據(jù)源：（1）未標(biāo)注的圖像，（2）具有視覺標(biāo)注的圖像，（3）未標(biāo)注的視頻，（4）具有視覺標(biāo)注的視頻，（5）3D合成物體。

其中，未標(biāo)注的圖像占了總數(shù)據(jù)的80%以上，組成了大部分的視覺世界，也提供了所需的多樣性，然而代價(jià)就是，數(shù)據(jù)源質(zhì)量較低。

帶標(biāo)注的圖像分布會(huì)更受限制，但通常質(zhì)量更高。

而視頻數(shù)據(jù)則受到更多限制（一般是以人類為中心的活動(dòng)），但它們卻是時(shí)態(tài)數(shù)據(jù)的寶貴來源。

3D合成對(duì)象的渲染多樣性最低，但可以提供有關(guān)3D結(jié)構(gòu)行為的寶貴提示。

而最重要的是，UVDv1是一個(gè)純粹的視覺數(shù)據(jù)集，不包含文本之類的非視覺元數(shù)據(jù)。

總之，UVDv1包含16.4億張圖像。

與LLM的另一個(gè)重要區(qū)別是，語言數(shù)據(jù)對(duì)所有數(shù)據(jù)都有一個(gè)自然的、統(tǒng)一的一維結(jié)構(gòu)——文本流。

然而不幸的是，視覺數(shù)據(jù)的情況卻并非如此，不同的來源都有不同的結(jié)構(gòu)。

因此在這項(xiàng)工作中，研究人員提出視覺序列，作為視覺數(shù)據(jù)的統(tǒng)一單元，這就使得他們能夠從不同的集合源，訓(xùn)練可擴(kuò)展的模型。

視覺序列只是包含一個(gè)或多個(gè)圖像的序列，后面跟隨著一個(gè)句尾 (EOS) token。

圖1可以顯示出，各種數(shù)據(jù)源是如何劃分為視覺序列的。

單張圖像

單張圖像本身代表了視覺序列的最簡單形式一一{圖像，EOS}。

研究人員使用了LAION 5B數(shù)據(jù)集中14.9億張圖像的過濾子集。

這是迄今為止數(shù)據(jù)中最大的部分，占了88.5%。

圖像序列

圖像序列是視覺序列的自然形式。

研究人員通過從各種現(xiàn)有數(shù)據(jù)集中獲取視頻數(shù)據(jù)，來創(chuàng)建此類序列。

16幀的視覺序列，是通過以三個(gè)不同步長(10、20和30) 對(duì)視頻進(jìn)行機(jī)采樣而形成的。

此外，研究人員利用了來自0bjaverse數(shù)據(jù)集的合成3D物體，生成了以物體為中心的多視角序列。

對(duì)于每個(gè)物體，研究人員都在物體中心和攝像機(jī)之間，采樣了一個(gè)半徑1.5到2.2的長度，并從-45度到45度采樣了一個(gè)恒定仰角，然后遍歷物體的不同視角（以15度步長和渲染24個(gè)視角的方式，改變方位角）。

通過這種方法，研究人員總共渲染了42000個(gè)這樣的序列用于訓(xùn)練，8000個(gè)序列用于測(cè)試。

最后，還可以將屬于同一語義類別的圖像表征為序列的（一部分）。

使用ImageNet中的類別，將同一類別中的圖像組（2、4、8或16個(gè)）連接成一個(gè)16幅圖像的長序列。

帶標(biāo)注的圖像

為了以統(tǒng)一的方式處理不同類型的圖像標(biāo)注，研究人員選擇將所有標(biāo)注表征為圖像。

某些數(shù)據(jù)類型，例如語義分割圖，邊緣圖，深度和普通圖像，已經(jīng)是以這種方式表征的。

對(duì)于其他數(shù)據(jù)類型，研究人員為每種特定的標(biāo)注類型，量身定制了不同方法——

1. 物體檢測(cè)：通過在每個(gè)物體周圍覆蓋顏色編碼的邊界框，來創(chuàng)建標(biāo)注。

2. 人體姿態(tài)：利用MMPose，遵循OpenPose格式，在像素空間中渲染人體骨骼。

3. 深度估計(jì)、表面法線和邊緣檢測(cè)：對(duì)于給定的ImageNet和COCO圖像，按照特定協(xié)議生成標(biāo)注。

4. 風(fēng)格遷移、除雨、去噪、弱光增強(qiáng)和立體數(shù)據(jù)集：這些都表征為圖像對(duì)的形式(例如輸入/輸出)。

5. 著色：將ImageNet圖像轉(zhuǎn)換為灰度圖像，生成圖像對(duì)。

6. 修復(fù)：在圖像中隨機(jī)添加黑色框來模擬損壞，從而產(chǎn)生圖像對(duì)。

對(duì)于上述所有標(biāo)注類型，可以通過將相同標(biāo)注類型的8個(gè)圖像對(duì)，連接成16個(gè)圖像的視覺序列，來創(chuàng)建視覺序列。

對(duì)于包含同一圖像的k個(gè)不同標(biāo)注的數(shù)據(jù)集，使用不同的方法: 對(duì)于每組1+k 個(gè)圖像 (輸入多于k的標(biāo)注)，然后隨機(jī)選擇m個(gè)元素，其中m≤n+1≤16。然后將這些m元組連接起來，形成視覺序列。

帶標(biāo)注的圖像序列

在將帶標(biāo)注的視頻數(shù)據(jù)（VIPSeg、Hand14K、AVA、JHMDB）轉(zhuǎn)換為視覺序列時(shí)，采用了兩種互補(bǔ)策略。

第一種策略類似于處理成對(duì)標(biāo)注圖像數(shù)據(jù)的方法：每個(gè)視覺序列都是通過將幀與它們的標(biāo)注連接起來而構(gòu)建的——{frame1,annot1,frame2,annot2,...}。

第二種方法是將多個(gè)幀與相應(yīng)的標(biāo)注{frame1,frame2,annot1,annot2,...}進(jìn)行分組。

實(shí)現(xiàn)方法

與天然展現(xiàn)離散序列結(jié)構(gòu)的文本數(shù)據(jù)不同，將圖像像素建模為視覺序列并不直觀。在這項(xiàng)工作中，研究人員采取了一個(gè)兩階段方法：

1. 訓(xùn)練一個(gè)大型視覺tokenizer（對(duì)單個(gè)圖像操作）將每個(gè)圖像轉(zhuǎn)換成一系列視覺token；

2. 在視覺序列上訓(xùn)練一個(gè)自回歸Transformer模型，每個(gè)序列都表示為一系列token。

圖像分詞（Image Tokenization）

雖然視覺序列在連續(xù)圖像之間展現(xiàn)出了序列結(jié)構(gòu)，但在單個(gè)圖像內(nèi)部并沒有這樣的自然序列結(jié)構(gòu)。

因此，為了將Transformer模型應(yīng)用于圖像，先前的工作通常采用以下方法：要么按掃描線順序?qū)D像分割成補(bǔ)丁，并將其視為一個(gè)序列，要么使用預(yù)訓(xùn)練的圖像tokenizer，例如VQVAE或VQGAN ，將圖像特征聚類成一格一格的離散token，然后再按掃描線順序?qū)⑦@些token轉(zhuǎn)換成序列。

研究人員采用后一種方法，因?yàn)槟Ｐ偷碾x散分類輸出自然形成了一個(gè)可以輕松采樣的概率分布，使得在視覺序列中靈活生成新圖像成為可能。

具體來說，研究人員使用了VQGAN模型生成的語義token。該框架包括編碼和解碼機(jī)制，特點(diǎn)是一個(gè)量化層，將輸入圖像分配給一個(gè)已建立代碼本的離散token序列。

編碼器和解碼器完全由卷積層構(gòu)成。編碼器配備了多個(gè)下采樣模塊，以壓縮輸入的空間維度，而解碼器則配備了等量的上采樣模塊，以恢復(fù)圖像到其初始大小。

對(duì)于給定的圖像，研究人員的VQGAN的tokenizer產(chǎn)生256個(gè)離散token。

需要注意的是，研究人員的tokenizer獨(dú)立地對(duì)單個(gè)圖像進(jìn)行操作，而不是一次性處理整個(gè)視覺序列。

這種獨(dú)立性允許研究人員將tokenizer訓(xùn)練與下游Transformer模型分離，這樣tokenizer就可以在單圖像數(shù)據(jù)集上進(jìn)行訓(xùn)練，而無需考慮視覺序列的分布。

實(shí)現(xiàn)細(xì)節(jié)：研究人員采用了現(xiàn)成VQGAN架構(gòu)。其中使用了f=16的下采樣因子和8192大小的代碼本。這意味著對(duì)于一個(gè)大小為256×256的圖像，研究人員的VQGAN的tokenizer產(chǎn)生16×16=256個(gè)token，其中每個(gè)token可以取8192個(gè)不同的值。

研究人員發(fā)現(xiàn)使用ImageNet預(yù)訓(xùn)練的tokenizer在ImageNet圖像之外并不具有很好的泛化性能。因此，研究人員在LAION 5B數(shù)據(jù)集的1.5B子集上訓(xùn)練他們自己的tokenizer。

視覺序列的序列建模

使用VQGAN將圖像轉(zhuǎn)換成離散token后，研究人員通過將多個(gè)圖像的離散token連接成一個(gè)1D序列，將視覺序列視為一個(gè)統(tǒng)一的序列。

重要的是，研究人員平等對(duì)待所有視覺序列——研究人員不使用任何特殊token來指示特定任務(wù)或格式。

研究人員使用交叉熵?fù)p失訓(xùn)練一個(gè)因果Transformer模型，其目標(biāo)是預(yù)測(cè)下一個(gè)token，類似于語言模型的標(biāo)準(zhǔn)方法。用相同的方式訓(xùn)練模型來處理所有視覺序列，使模型能夠從上下文而不是從特定于任務(wù)或格式的token中推斷出圖像之間的關(guān)系。這使得模型有機(jī)會(huì)推廣到其他未見過的視覺序列結(jié)構(gòu)。

實(shí)現(xiàn)細(xì)節(jié)：研究人員將視覺序列中的每個(gè)圖像分詞成256個(gè)token，然后將它們連接成一個(gè)1Dtoken序列。

在視覺token序列的基礎(chǔ)上，研究人員的Transformer模型幾乎與自回歸語言模型相同，因此研究人員采用了LLaMA 的Transformer架構(gòu)。

研究人員使用4096 token的上下文長度，可以適應(yīng)研究人員VQGAN tokenizer下的16幅圖像。

類似于語言模型，研究人員在每個(gè)視覺序列的開頭添加一個(gè)[BOS]（序列開始）token，在末尾添加一個(gè)[EOS]（序列結(jié)束）token，并在訓(xùn)練時(shí)使用序列連接（sequence concatenation）來提高效率。

研究人員在整個(gè)UVDv1數(shù)據(jù)集（4200億token）上訓(xùn)練研究人員的模型，使用一個(gè)周期（在語言模型中使用簡單周期訓(xùn)練，以避免潛在的過擬合）。

研究人員訓(xùn)練了4種不同參數(shù)數(shù)量的模型：3億、6億、10億和30億，遵循相同的訓(xùn)練配置。

通過視覺提示進(jìn)行推理

由于研究人員模型中的自回歸Transformer輸出了基于先前token的下一個(gè)token的概率分布，研究人員可以輕松地從這個(gè)分布中抽樣，生成完成視覺序列的新視覺token。

要將模型用于下游任務(wù)，可以在測(cè)試時(shí)構(gòu)建定義任務(wù)的部分視覺序列，并應(yīng)用模型生成輸出。這類似于語言模型中的上下文學(xué)習(xí)或計(jì)算機(jī)視覺中的視覺提示。

實(shí)驗(yàn)結(jié)果與分析

最后，研究人員評(píng)估了模型的擴(kuò)展能力，以及它理解和回答各種提示任務(wù)的能力。

可擴(kuò)展性

研究人員研究了研究人員的模型在訓(xùn)練損失和下游任務(wù)性能方面的擴(kuò)展行為，隨著模型大小的增加以及訓(xùn)練過程中看到的token數(shù)量的增加。

訓(xùn)練損失。首先，研究人員檢查了不同參數(shù)大小的LVM的訓(xùn)練損失，見下圖。

由于研究人員的所有模型僅在數(shù)據(jù)集上訓(xùn)練了一個(gè)epoch，因此模型只看到每個(gè)數(shù)據(jù)樣本一次，因此在訓(xùn)練過程中的任何時(shí)候的訓(xùn)練損失與驗(yàn)證損失非常相似。

可以觀察到隨著訓(xùn)練的進(jìn)行：

1. 不同大小模型的訓(xùn)練損失（困惑度）持續(xù)下降；

2. 隨著模型規(guī)模（參數(shù)計(jì)數(shù)）的增加，損失下降得更快。這些觀察表明，LVM在更大的模型和更多數(shù)據(jù)方面顯示出強(qiáng)大的可擴(kuò)展性。

雖然LVM在訓(xùn)練過程中整體損失良好地?cái)U(kuò)展，但并不能保證更好的整體模型也會(huì)在特定的下游任務(wù)上表現(xiàn)更好。

因此，研究人員在4個(gè)下游任務(wù)上評(píng)估不同大小的模型：語義分割、深度估計(jì)、表面法線估計(jì)和邊緣檢測(cè)。研究人員在ImageNet驗(yàn)證集上評(píng)估這些任務(wù)。

對(duì)于每個(gè)任務(wù)，研究人員給出5對(duì)輸入和相應(yīng)真實(shí)標(biāo)注以及作為輸入提示的查詢圖像，并評(píng)估研究人員模型對(duì)下一個(gè)256個(gè)token（一幅圖像）的真實(shí)標(biāo)注的困惑度預(yù)測(cè)。

下圖中，研究人員展示了，更大的模型確實(shí)在所有任務(wù)上獲得了更低的困惑度，展示了研究人員的可擴(kuò)展整體性能確實(shí)轉(zhuǎn)化為一系列下游任務(wù)。

雖然LVM在更大的模型和更多數(shù)據(jù)上獲得了更好的性能，但很自然地一個(gè)問題是，在UVDv1中收集的每個(gè)數(shù)據(jù)組件是否有幫助。

為了回答這個(gè)問題，研究人員在研究人員的數(shù)據(jù)集上對(duì)幾個(gè)3B模型進(jìn)行了消融研究，這些模型是在研究人員數(shù)據(jù)集的子集上訓(xùn)練的，并比較了它們?cè)谙掠稳蝿?wù)上的表現(xiàn)。

研究人員使用之前相同的4個(gè)下游任務(wù)和設(shè)置，并在下圖中展示了結(jié)果。

研究人員觀察到，每個(gè)數(shù)據(jù)組件對(duì)下游任務(wù)都有積極的貢獻(xiàn)。LVM不僅從更大的數(shù)據(jù)中受益，而且隨著數(shù)據(jù)集中的多樣性（包括標(biāo)注和無監(jiān)督的圖像和視頻數(shù)據(jù)）的增加而改進(jìn)。

順序提示

研究人員首先采用最直觀、最簡單的方法來對(duì)LVM進(jìn)行視覺提示：順序推理。在這里，提示構(gòu)建非常簡單：研究人員向模型展示7幅圖像的序列，并要求它預(yù)測(cè)下一幅圖像（256個(gè)token）。

對(duì)于順序提示來說，最直接的任務(wù)是視頻預(yù)測(cè)。下圖展示了從Kinetics-700驗(yàn)證集序列中提示的幾個(gè)下一幀預(yù)測(cè)示例。

在頂部示例中，7幀提示（藍(lán)色邊框）后跟著預(yù)測(cè)的幀（紅色邊框）。研究人員觀察到在空間定位、視點(diǎn)和對(duì)象理解方面有一定程度的推理能力。在Kinetics驗(yàn)證集上預(yù)測(cè)的困惑度為49.8。

下面示例顯示了具有更長上下文（15幀）和更長預(yù)測(cè)（4幀）的預(yù)測(cè)。

同樣類型的簡單順序提示也可以用其他方式使用。例如，下圖顯示了如何通過提示模型一個(gè)圍繞任意軸的合成對(duì)象的3D旋轉(zhuǎn)序列，使其能夠預(yù)測(cè)更進(jìn)一步的旋轉(zhuǎn)。

或者研究人員可以將給定類別的物品列表視為一個(gè)序列，并預(yù)測(cè)該類別中的其他想法，如下圖所示。

值得注意的是，雖然該系統(tǒng)在訓(xùn)練時(shí)是在同一ImageNet類別的圖像組上訓(xùn)練的，但這里的提示包括素描，這些素描在任何標(biāo)注數(shù)據(jù)中都沒有出現(xiàn)過。

接下來，研究人員研究了準(zhǔn)確預(yù)測(cè)后續(xù)幀需要多少時(shí)序上下文。

研究人員評(píng)估了模型在不同長度（1到15幀）上下文提示下的幀生成困惑度。下圖所示，在Kinetics-700驗(yàn)證集上，從1到11幀困惑度明顯改善后穩(wěn)定下來（從62.1 → 48.4）。

類比提示

研究人員的研究通過評(píng)估一個(gè)更復(fù)雜的提示結(jié)構(gòu)來進(jìn)展，研究人員稱之為「類比提示（Analogy Prompting）」。這種方法挑戰(zhàn)模型理解任意長度和復(fù)雜度的類比，從而測(cè)試它的高級(jí)解釋能力。

下圖展示了在多個(gè)任務(wù)上使用類比提示的定性結(jié)果樣本。提示包括14幅圖像的序列，給出各種任務(wù)的示例，然后是第15幅查詢圖像。給定每個(gè)提示，預(yù)測(cè)的下一幅圖像。

圖的上部展示了幾個(gè)定義訓(xùn)練集中任務(wù)的示例提示（但這些實(shí)際圖像從未在訓(xùn)練中見過）。圖的下部展示了在訓(xùn)練中從未展示過的任務(wù)的泛化。

研究人員展示了在Pascal 3D+ 上對(duì)關(guān)鍵點(diǎn)檢測(cè)的結(jié)果，使用標(biāo)準(zhǔn)的正確關(guān)鍵點(diǎn)百分比（PCK）度量，閾值為0.1。值得注意的是，LVM在未對(duì)此數(shù)據(jù)集進(jìn)行訓(xùn)練的情況下達(dá)到了81.2的PCK，顯示出了令人印象深刻的泛化能力。

相比之下，研究人員展示了一些現(xiàn)有的特定任務(wù)模型：StackedHourglass的PCK為68.0，MSS-Net達(dá)到了68.9 PCK，StarMap則有78.6 PCK。

與視覺提示的比較

與研究人員的方法最接近的，也允許定義任意任務(wù)的方法是視覺提示。在下表中，研究人員比較了幾種視覺提示模型在少量樣本分割、對(duì)象檢測(cè)和著色任務(wù)上的表現(xiàn)。研究人員的順序LVM在幾乎所有任務(wù)上都超過了之前的方法。

任務(wù)組合

下圖演示了在單個(gè)提示中組合多個(gè)任務(wù)。研究人員展示了旋轉(zhuǎn)任務(wù)與新的關(guān)鍵點(diǎn)對(duì)應(yīng)任務(wù)，并要求模型繼續(xù)這種模式。模型能夠在測(cè)試時(shí)成功地組合這兩個(gè)任務(wù)，顯示出一定程度的組合性。