“他山之石，可以攻玉”，站在巨人的肩膀才能看得更高，走得更远。在科研的道路上，更需借助东风才能更快前行。为此，我们特别搜集整理了一些实用的代码链接，数据集，软件，编程技巧等，开辟“他山之石”专栏，助你乘风破浪，一路奋勇向前，敬请关注！
论文标题：ParGo: Bridging Vision-Language with Partial and Global Views 论文地址：https://arxiv.org/abs/2408.12928 代码地址：https://github.com/bytedance/ParGo
过去，大多数研究主要依赖线性投影或多层感知机（MLP）将视觉特征直接映射，这种方法难以有效控制输入LLMs的视觉token数量，特别是在处理细粒度特征时，导致计算成本极高。
另一类基于注意力机制的方法（如Q-former）通过注意力操作将图像特征投射为固定数量的视觉token，虽然大幅减少了计算成本，但往往使得生成的token集中在图像的显著区域，忽略了细节部分。
为了解决这一问题，ParGo提出了一种创新的全局-局部投影器来连接视觉与文本，通过结合全局视野和局部细节的双重视角，克服了传统方法对显著区域的过度聚焦，使得视觉特征能够在更细腻的层面上得到全面展现，同时有能有效控制过长的token带来的计算成本的升高，进而实现了视觉特征和LLM的高效连接。
方法
ParGo (Partial-Global) 采用两种类型的可学习token， 利用attention机制，同时从局部和全局视角将视觉特征映射到大语言模型（LLM）中。该框架包含两个关键模块：Partial-Global Perception Block (PGP) 和 Cascaded Partial Perception Block (CPP)。这两个模块共同作用，实现了高效的视觉-语言连接，既捕捉了图像的全局信息，又能精细地提取局部特征，从而提升了多模态大语言模型的效果。
核心模块
Partial-Global Perception Block （PGP）
在 ParGo 中，视觉编码器的特征被映射为两种不同类型的token：Partial token 和 Global token，从而能够分别提取图像的局部和全局信息。具体来说：
Partial tokens：每个token仅与部分视觉特征进行交互，专注于图像的局部信息
Global tokens：全局token则与所有视觉特征进行交互，捕捉图像的全局信息
ParGo 采用了一种新的交叉注意力掩码设计（Partial-Global Attention Mask），如图1 (b) 所示，来处理输入的视觉特征。该设计能够同时输出包含图像局部和全局信息的特征，即 Partial tokens 和 Global tokens。具体的公式如下：
Cascaded Partial Perception Block (CPP)
此外，考虑到不同局部物体在图像中的占比不同，为了进一步增强对多种局部信息的完整捕获能力，ParGo 在 Partial-Global Perception 模块之前引入了 Cascaded Partial Perception (CPP) 模块。
CPP模块的核心是一个带有特殊设计掩码的自注意力机制 ,如图1 (b) 中的 Cascaded Partial Attention Mask。随着层数的增加，每个 Partial token 能够访问到更多的相邻 token，从而逐步扩展其感知范围。该过程可以通过以下公式表示：
实验效果
论文重点对比了当前不同类型的Projector（投射器），在一些通用的MLLM的benchmark的效果，均取得了优异的效果。
为了进一步进行公平对比，论文在相同数据集和实验参数下，比较了三种主流的投影器（Projector）。结果显示，ParGo 依然取得了最佳的性能表现。另外，在不同基座LLM下，ParGo均表现良好，体现出了更好的泛化性能。
案例分析
为了能进一步展现ParGo在控制token数量的情况下，依然能做到细粒度和空间关系的准确捕获，作者对比了ParGo和Q-former这两种均是基于注意力机制的Projector（投射器）在相同tokens下的效果，
结论
本研究提出了ParGo（局部-全局投影器），一种创新的视觉-语言投影方案，旨在提升多模态大语言模型（MLLMs）中视觉和语言模态的对齐效果。
ParGo通过结合局部token和全局token，并使用精心设计的注意力掩码分别提取局部和全局信息，在控制token数量的同时增强了局部区域之间的关系建模，充分考虑了图像的细节与全局视角，从而克服了传统方法中忽视细节的问题。
本文目的在于学术交流，并不代表本公众号赞同其观点或对其内容真实性负责，版权归原作者所有，如有侵权请告知删除。
收藏，分享、在看，给个三连击呗！
