LLM2CLIP: Krachtig Taalmodel Ontgrendelt Rijkere Visuele Representatie

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

Samenvatting

CLIP is vandaag een van de belangrijkste multimodale fundamentele modellen. Wat drijft de mogelijkheden van CLIP? De rijke toezichtsignalen die worden geleverd door natuurlijke taal, de drager van menselijke kennis, vormen een krachtige cross-modale representatieruimte. Echter, met de snelle vooruitgang in grote taalmodellen (LLM's) zoals GPT-4 en LLaMA, worden de grenzen van taalbegrip en -generatie voortdurend verlegd. Dit roept een intrigerende vraag op: kunnen de mogelijkheden van LLM's worden benut om multimodale representatie-leren verder te verbeteren? De potentiële voordelen van het opnemen van LLM's in CLIP zijn duidelijk. De sterke tekstuele begripsvaardigheden van LLM's kunnen fundamenteel de mogelijkheid van CLIP verbeteren om afbeeldingsbijschriften te verwerken, waardoor de mogelijkheid om lange en complexe teksten te verwerken aanzienlijk wordt verbeterd, een bekende beperking van de standaard CLIP. Bovendien worden LLM's getraind op een uitgebreid corpus van tekst, waarbij ze open-wereldkennis bezitten. Dit stelt hen in staat om bijschriftinformatie uit te breiden tijdens de training, waardoor de efficiëntie van het leerproces wordt verhoogd. In dit artikel stellen we LLM2CLIP voor, een nieuwe benadering die de kracht van LLM's om de potentie van CLIP te ontsluiten omarmt. Door de LLM af te stemmen in de bijschriftruimte met contrastief leren, extraheren we zijn tekstuele mogelijkheden in de uitvoer-embeddings, wat de tekstuele onderscheidbaarheid van de uitvoerlaag aanzienlijk verbetert. Vervolgens ontwerpen we een efficiënt trainingsproces waarbij de afgestemde LLM fungeert als een krachtige leraar voor de visuele encoder van CLIP. Dankzij de aanwezigheid van de LLM kunnen we nu langere en complexere bijschriften opnemen zonder beperkt te worden door de contextvenster- en vermogensbeperkingen van de tekstencoder van de standaard CLIP. Onze experimenten tonen aan dat deze benadering aanzienlijke verbeteringen brengt in cross-modale taken.

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.