微软提出CoDi：开创性多模态扩散生成模型，实现4种模态任意输入输出

点击下方卡片，关注“CVer”公众号

AI/CV重磅干货，第一时间送达

点击进入—>【多模态和Transformer】交流群

萧箫 发自 凹非寺
转载自：量子位（QbitAI）

多模态大模型，终于迎来“大一统”时刻！

从声音、文字、图像到视频，所有模态被彻底打通，如同人脑一般，实现了真正意义上的任意输入，任意输出。

要知道，多模态一直是学术界公认要达到更强智能的必经之路，连GPT-4都在往这个方向发展。

也正是因此，这项来自微软、北卡罗来纳大学教堂山分校的新研究一经po出，立即在社交媒体上爆火，有网友惊叹：

这是我最近见过最不可思议的一篇论文！

究竟有多不可思议？

只需告诉大模型，想要“一只玩滑板的泰迪熊”，并输入一张照片+一段声音：

它立刻就能精准get要点，生成一段在下雨天在城市里玩滑板的心碎小熊录像，仔细听还会发现配上了新的雨声：

效果太过于鹅妹子嘤，以至于不少网友表示“有被吓到”：

还有网友感叹“新时代的到来”：

等不及看到创作者们用这些AI工具制作各种沉浸式故事体验了。这简直给RPG角色扮演游戏赋予了全新的意义。

值得一提的是，一作Zineng Tang虽然本科还没毕业，但他已经在CVPR、发了6篇顶会论文，其中5篇都是一作。

所以，这个号称能够“转一切”（any-to-any）的大一统大模型，实现效果究竟如何？

4种模态随意选，打出“组合拳”

大模型CoDi，具有任意输入和输出图、文、声音、视频4种模态的能力。

无论是单模态生成单模态（下图黄）、多模态生成单模态（下图红）、还是多模态生成多模态（下图紫），只要指定输入和输出的模态，CoDi就能理解并生成想要的效果：

先来看单模态生成单模态。

输入任意一种模态，CoDi都能联想并输出指定的模态，例如，输入一张风景图像，就能输出“山景，日出”这样的文字提示词：

或是输入一段铁轨碰撞声，就能生成一张地铁图像：

面对多模态生成单模态时，CoDi威力同样不减。

输入一张“熊猫吃竹子”图像，加上一段“在咖啡桌上吃”的文字要求：

CoDi就能生成一段大熊猫坐在咖啡桌旁吃竹子的视频：

或是输入一组文字提示词“油画，恐怖画风，优雅复杂的概念艺术，克雷格·穆林斯（CG绘画之父）风格”，加上一段拍打木板的水声：

CoDi在经过联想后，就能输出一张精致的、气势恢宏的黄昏时分海盗船画像：

最后来看看多模态生成多模态的效果。

给CoDi提供一段钢琴声，加上一张森林中的照片：

CoDi就能想象出一段“在森林中弹钢琴”的文字，并配上对应的插图：

要知道在这之前，AI生成的视频不少都没有配音，停留在老式的“无声电影”阶段。

然而CoDi不仅能生成视频，还能生成搭配视频食用的声音。

例如根据一个“天空中的花火”文字提示词+一段对应的音频，就能生成一个带有爆炸声音的烟花录像：

所以，CoDi究竟是如何做到理解不同的模态，并“打出组合拳”的？

用“对齐”来节省大模型训练数据

事实上，CoDi的打造面临两个难点。

首先是缺少训练数据的问题，以作者们能收集到的数据集为例：

无论是像Laion400M这样的文图数据集、还是像AudioSet之类的音频文字数据集，或是油管上的图像音视频数据集，以及Webvid10M之类的视频数据集，都属于“单模态生成单个或两个模态”的类型。

然而，多模态大模型的训练数据需求，随着模态数量的增加呈指数级增长，许多输入输出组合，往往缺少对应的训练数据集。

其次，已有的扩散模型大多是1v1的类型，如何设计并训练模型，确保多模态输入输出的效果，同样是个问题。

针对这两个问题，作者们决定分两个阶段打造CoDi，让它不仅能实现单模态“完美输出”、还能做到多模态“1+1>2”。

在阶段一，组合条件训练，给每个模态都打造一个潜在扩散模型（LDM），进行组合训练。

针对A模态生成B模态数据集缺失的问题，作者们提出了一种名为桥接对齐（Bridging Alignment）的策略。

具体来说，就是以带文本模态的数据集为“中介”，对齐另外几种模态的训练效果。

以音频生成图像为例。

虽然音频生成图像数据集不多，但文本生成音频、文本生成图像的数据集却有不少，因此可以将这两类数据集合并起来，用于训练文本+音频生成图像的效果。

在此期间，文本和音频输入经过模型处理，会被“放置”进一个共享特征空间，并用输出LDM来处理输入输入的组合特征，输出对应的图像结果。

阶段二，进一步增加生成的模态数量。

在阶段一的基础上，给每个潜在扩散模型和环境编码器上增加一个交叉注意力模块，就能将潜在扩散模型的潜变量投射到共享空间中，使得生成的模态也进一步多样化。

最终训练出来的模型，虽然训练数据类型不是“全能的”，但也具备了多模态输入、多模态输出的能力。

值得一提的是，可别以为这种方法会降低模型生成的质量。

事实上，在多种评估方法上，CoDi均超越了现有多模态大模型的生成效果。

华人本科生，5篇顶会论文一作

一作Zineng Tang，本科就读于北卡罗来纳大学教堂山分校，也是微软研究院的实习生，今年6月将进入加州大学伯克利分校读博。

他的研究兴趣在于多模态学习、机器学习和NLP领域，而从大一开始，他就在NeurIPS、CVPR、ACL和NAACL等顶会上相继发了6篇文章，其中5篇一作。

就在今年1月，Zineng Tang还获得了2023年的美国计算机研究学会（CRA）设立的优秀本科生研究员奖。

每年全美国能获得这个奖项的本科生，只有4人。

这一奖项旨在表彰在计算机研究领域有杰出研究潜力的本科生，包括MIT、斯坦福、哈佛和耶鲁大学等不少北美名校在内，每年都会提名一些优秀学生，经过层层筛选后决定获奖者。

通讯作者Ziyi Yang，目前是微软Azure认知服务研究团队（CSR）的高级研究员，研究方向是多模态理解和生成，文档智能和NLP等。

在加入微软之前，他本科毕业于南京大学物理系，并于斯坦福大学获得电气工程硕士和机械工程博士学位。

通讯作者Mohit Bansal，是北卡罗来纳大学教堂山分校计算机系教授。他于加州大学伯克利分校获得博士学位，目前研究方向是NLP和多模态机器学习，尤其侧重语言生成问答和对话、以及可解释深度学习等。

你感觉多模态大模型发展的下一阶段，会是什么样子？

论文地址：
https://arxiv.org/abs/2305.11846

项目地址：
https://github.com/microsoft/i-Code/tree/main/i-Code-V3

参考链接：
[1]https://twitter.com/AviSchiffmann/status/1660771055676588033
[2]https://twitter.com/ZinengTang/status/1660726736642887681
[3]https://cra.org/2023-outstanding-undergraduate-researcher-award-recipients/
[4]https://codi-gen.github.io/