LLM2CLIP: Potente Modello Linguistico Sblocca Rappresentazione Visiva Più Ricca

LLM2CLIP: Powerful Language Model Unlock Richer Visual Representation

November 7, 2024

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

cs.AI

Abstract

CLIP è uno dei modelli fondamentali multimodali più importanti oggi. Cosa alimenta le capacità di CLIP? I ricchi segnali di supervisione forniti dal linguaggio naturale, il portatore della conoscenza umana, plasmano uno spazio di rappresentazione cross-modale potente. Tuttavia, con i rapidi progressi nei modelli linguistici di grandi dimensioni (LLM) come GPT-4 e LLaMA, i confini della comprensione e generazione del linguaggio sono continuamente spinti. Questo solleva una domanda intrigante: le capacità dei LLM possono essere sfruttate per migliorare ulteriormente l'apprendimento della rappresentazione multimodale? I benefici potenziali dell'incorporazione dei LLM in CLIP sono chiari. La forte comprensione testuale dei LLM può migliorare fondamentalmente la capacità di CLIP di gestire didascalie di immagini, migliorando drasticamente la capacità di elaborare testi lunghi e complessi, una limitazione ben nota di CLIP di base. Inoltre, i LLM sono addestrati su un vasto corpus di testo, possedendo conoscenze del mondo aperto. Ciò consente loro di espandere le informazioni delle didascalie durante l'addestramento, aumentando l'efficienza del processo di apprendimento. In questo articolo, proponiamo LLM2CLIP, un nuovo approccio che abbraccia il potere dei LLM per sbloccare il potenziale di CLIP. Mediante il raffinamento del LLM nello spazio delle didascalie con l'apprendimento contrastivo, estraiamo le sue capacità testuali negli embedding di output, migliorando significativamente la discriminabilità testuale dello strato di output. Progettiamo quindi un processo di addestramento efficiente in cui il LLM raffinato agisce come un potente insegnante per l'encoder visivo di CLIP. Grazie alla presenza del LLM, possiamo ora incorporare didascalie più lunghe e complesse senza essere limitati dalla finestra di contesto e dalle limitazioni di capacità dell'encoder di testo di CLIP di base. I nostri esperimenti dimostrano che questo approccio porta miglioramenti sostanziali nelle attività cross-modal.

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.