Diffusion反馈强势助力CLIP秒变火眼金睛：智源、自动化所联合推出DIVA

2024-08-03 06:08

本文分享论文 Diffusion Feedback Helps CLIP See Better，专注于通过自监督学习范式解决 CLIP 无法区分细粒度视觉细节的问题。

论文标题：

Diffusion Feedback Helps CLIP See Better

论文作者：

王文轩（中科院自动化所-智源研究院联培博一研究生），孙泉（智源研究院视觉模型研究中心算法研究员），张帆（智源研究院视觉模型研究中心算法研究员），唐业鹏（北交博一研究生），刘静（中科院自动化所研究员），王鑫龙（智源研究院视觉模型研究中心负责人）

论文链接：

https://arxiv.org/abs/2407.20171

项目主页：

https://rubics-xuan.github.io/DIVA/

代码链接：

https://github.com/baaivision/DIVA

动机何在？——CLIP视觉缺陷

对比语言-图像预训练（CLIP）在跨领域和跨模态的开放世界表示方面表现出色，已成为各种视觉和多模态任务的基础。

自从 CLIP 被提出以来，近年来涌现了许多关于 CLIP 模型的后续研究。这些研究通过预训练和微调 CLIP 模型，取得了性能提升并开发了新的能力。然而，这些方法仍然存在不可避免的局限性，因为它们高度依赖于图像-文本数据对，无法仅在图像数据上实现预期效果。

此外，最近的不少研究指出，尽管 CLIP 在零样本任务中表现出色，但由于对比学习范式和训练中使用的噪声图像-文本对，其在感知理解方面存在一些局限性。这些局限性包括难以准确理解长文本和难以辨别相似图像中的细微差异。虽然一些研究试图解决长文本理解问题，但改善 CLIP 的细粒度视觉感知能力的研究仍然不足。感知视觉细节的能力对于基础模型至关重要，而 CLIP 在这方面的不足直接影响了以 CLIP 作为视觉编码器的视觉和多模态模型的表现。

因此，在这项工作中，我们专注于通过自监督学习范式解决 CLIP 无法区分细粒度视觉细节的问题。基于文本到图像的扩散模型能够生成具有丰富细节逼真图像的先验，我们探索了利用扩散模型的生成反馈来优化 CLIP 表征的潜力。

如何解决？——Diffusion Feedback来优化CLIP视觉细节表征

我们提出了一种简单的 CLIP 模型后训练方法，通过自监督扩散过程在很大程度上克服了其视觉缺陷。通过使用 CLIP 的密集视觉特征对扩散模型进行条件化，并将重建损失应用于 CLIP 优化，我们将扩散模型作为 CLIP 的视觉助手，因此我们将该框架命名为 DIVA。

具体而言，如图 2 所示，DIVA 主要由两个部分组成：一是需要增强视觉感知能力的 CLIP 模型，二是提供生成反馈的预训练扩散模型。输入原始图像和空文本（图 2 中标记为"Null"）后，CLIP 模型会编码相应的视觉特征，这些特征将与来自扩散模型文本编码器的空文本嵌入结合，为扩散过程提供条件。

对于添加了噪声的图像，扩散模型尝试在上述条件下预测从前一步到当前步骤中添加的噪声。在训练过程中，除了 CLIP 模型外，所有部分的权重都保持不变，训练目标只是最小化重建损失（即扩散反馈指导）。通过这种方式，通过约束扩散模型更准确地预测添加的噪声，CLIP 的原始语义丰富的判别表示将通过扩散反馈逐渐优化为包含更多视觉细节的表示。

此外更有意思的是，DIVA 不需要额外的文本标注数据，只需可轻易获取的纯图片数据就能大幅使得 CLIP 弥补其视觉感知短板，这一点相比之前方法收集大量图文数据对的高昂成本是非常难得的！

效果如何？——立竿见影！

为了评估 DIVA 的有效性并展示其增强 CLIP 表示的潜力，我们在多模态理解和视觉感知任务上进行了全面的实验。

视觉细粒度感知方面

为了验证 DIVA 能够有效缓解 CLIP 模型固有的视觉能力不足，我们首先在各种现有的 CLIP 模型上进行了实验。DIVA 在评估视觉-语言模型视觉能力的 MMVP-VLM 基准测试中使得现有的多个 CLIP 模型的性能取得了显著的提升（提高了 3-7%）。

作为更强的视觉骨干网络为多模态大模型和视觉模型带来的收益评估

接下来，在 DIVA 的帮助下，我们进一步评估了增强后的 CLIP 骨干网络在多模态理解和视觉感知任务中带来的性能提升。DIVA 的优势在于它不仅仅能让 CLIP 变聪明，还能让那些基于 CLIP 的大型多模态语言模型以及视觉模型变得更加厉害。在这些多模态和纯视觉的基准测试上准确率的显著提升，得益于我们 DIVA 范式通过生成反馈大幅增强了 CLIP 的视觉感知能力。

CLIP泛化能力评估

在全面验证了我们的方法提升 CLIP 模型细粒度视觉感知能力的效果后，我们进行了 CLIP 模型原始泛化能力的全面评估。在只由纯图片数据驱动整个框架的前提上，DIVA 能够保持 CLIP 原本优秀的泛化性能。29 个图片分类和图文检索的基准测试上无论是看图识物还是找图配字的实验结果都能证明，经过 DIVA 优化视觉表征之后的 CLIP 模型能够保留 CLIP 原本优秀的泛化能力。