LLM2CLIP : Un modèle de langage puissant pour une représentation visuelle plus riche

LLM2CLIP: Powerful Language Model Unlock Richer Visual Representation

November 7, 2024

Auteurs: Weiquan Huang, Aoqi Wu, Yifan Yang, Xufang Luo, Yuqing Yang, Liang Hu, Qi Dai, Xiyang Dai, Dongdong Chen, Chong Luo, Lili Qiu

cs.AI

Résumé

CLIP est l'un des modèles fondamentaux multimodaux les plus importants aujourd'hui. Quels sont les moteurs des capacités de CLIP ? Les signaux de supervision riches fournis par le langage naturel, le vecteur de connaissance humaine, façonnent un espace de représentation multimodal puissant. Cependant, avec les avancées rapides dans les grands modèles de langage comme GPT-4 et LLaMA, les limites de la compréhension et de la génération de langage sont continuellement repoussées. Cela soulève une question intrigante : les capacités des grands modèles de langage peuvent-elles être exploitées pour améliorer davantage l'apprentissage de la représentation multimodale ? Les avantages potentiels de l'intégration des grands modèles de langage dans CLIP sont clairs. La forte compréhension textuelle des grands modèles de langage peut fondamentalement améliorer la capacité de CLIP à gérer les légendes d'images, améliorant considérablement sa capacité à traiter des textes longs et complexes, une limitation bien connue de CLIP de base. De plus, les grands modèles de langage sont entraînés sur un vaste corpus de texte, possédant une connaissance du monde ouvert. Cela leur permet d'étendre les informations de légende lors de l'entraînement, augmentant l'efficacité du processus d'apprentissage. Dans cet article, nous proposons LLM2CLIP, une approche novatrice qui exploite la puissance des grands modèles de langage pour libérer le potentiel de CLIP. En affinant le grand modèle de langage dans l'espace de légende avec un apprentissage contrastif, nous extrayons ses capacités textuelles dans les plongements de sortie, améliorant significativement la capacité de discrimination textuelle de la couche de sortie. Nous concevons ensuite un processus d'entraînement efficace où le grand modèle de langage affiné agit comme un puissant enseignant pour l'encodeur visuel de CLIP. Grâce à la présence du grand modèle de langage, nous pouvons maintenant incorporer des légendes plus longues et complexes sans être limités par la fenêtre de contexte et les limitations de capacité de l'encodeur de texte de CLIP de base. Nos expériences démontrent que cette approche apporte des améliorations substantielles dans les tâches multimodales.

English

CLIP is one of the most important multimodal foundational models today. What powers CLIP's capabilities? The rich supervision signals provided by natural language, the carrier of human knowledge, shape a powerful cross-modal representation space. However, with the rapid advancements in large language models LLMs like GPT-4 and LLaMA, the boundaries of language comprehension and generation are continually being pushed. This raises an intriguing question: can the capabilities of LLMs be harnessed to further improve multimodal representation learning? The potential benefits of incorporating LLMs into CLIP are clear. LLMs' strong textual understanding can fundamentally improve CLIP's ability to handle image captions, drastically enhancing its ability to process long and complex texts, a well-known limitation of vanilla CLIP. Moreover, LLMs are trained on a vast corpus of text, possessing open-world knowledge. This allows them to expand on caption information during training, increasing the efficiency of the learning process. In this paper, we propose LLM2CLIP, a novel approach that embraces the power of LLMs to unlock CLIP's potential. By fine-tuning the LLM in the caption space with contrastive learning, we extract its textual capabilities into the output embeddings, significantly improving the output layer's textual discriminability. We then design an efficient training process where the fine-tuned LLM acts as a powerful teacher for CLIP's visual encoder. Thanks to the LLM's presence, we can now incorporate longer and more complex captions without being restricted by vanilla CLIP's text encoder's context window and ability limitations. Our experiments demonstrate that this approach brings substantial improvements in cross-modal tasks.