当前，多模态大模型 （MLLM）在多项视觉任务上展现出了强大的认知理解能力。
然而大部分多模态大模型局限于单向的图像理解，难以将理解的内容映射回图像上。
比如，模型能轻易说出图中有哪些物体，但无法将物体在图中准确标识出来。
定位能力的缺失直接限制了多模态大模型在图像编辑，自动驾驶，机器人控制等下游领域的应用。
针对这一问题，港大和字节跳动商业化团队的研究人员提出了一种新范式Groma——
通过区域性图像编码来提升多模态大模型的感知定位能力。
在融入定位后，Groma可以将文本内容和图片区域直接关联起来，从而显着提升对话的交互性和指向性。这种方式不会改变原有的意思，只是微调了表达方式。
如何赋予多模态大模型定位物体的能力，即将文字内容和图像区域关联起来，做到“言之有物”，是当前一大研究热点。 多模态大模型的目标是在给定一张图像和相应的文字描述时，能够找到图像中与描述相对应的区域。此任务被称为图像和文本对齐（image-text alignment）问题。 为了解决这个问题，
常见的做法是微调大语言模型使其直接输出物体坐标。然而这种方法却有着诸多限制：
1、在文本上预训练的大语言模型本身不具备空间理解能力，仅依靠少量数据微调很难精准定位物体。
2、定位任务对输入图像的分辨率有较高要求，但提高分辨率会显着增加多模态大模型的计算量。
3、大语言模型的输出形式不适合处理精细的定位任务，比如分割。
基于这些考虑，Groma提出将定位转移到多模态大模型的vision tokenizer中，由vision tokenizer发现并定位潜在的物体，再交给大语言模型识别。
同时，这样的设计也充分利用了vision tokenizer本身的空间理解能力，而无需外接专家模型（比如SAM）来辅助定位，从而避免了外接模型的冗余。
具体而言，Groma在全局图像编码的基础上，引入了区域编码来实现定位功能——如下图所示，Groma先利用Region Proposer定位潜在的物体，再通过Region Encoder将定位到的区域逐一编码成region token。
而大语言模型则可以根据region token的语意判断其对应的区域，并通过在输出中插入region token来达成类似超链接的效果，实现visually grounded conversation。
同样地，用户指定的区域也可以通过Region Encoder编码成相应的region token，并插入到用户指令中，从而让多模态模型能关注到指定的区域并产生指向性的回答。
为了提升定位的鲁棒性和准确性，Groma采用了超过8M的数据（包括SA1B）来预训练Region Proposer。因此其产生的proposal不仅包括常见的物体，也涵盖了物体的组成部分以及更广阔的背景等要素。
此外，得益于分离式的设计，Groma可以采用高分辨率特征图用于Region Proposer/Encoder的输入，并采用低分辨率的特征图用于大模型输入，从而在降低计算量的同时又不损失定位性能。
Groma在传统的Grounding Benchmarks上表现出了超越MiniGPT-v2和Qwen-VL的性能。
同时，Groma在多模态大模型通用的VQA Benchmark (LLaVA-COCO)验证了其对话和推理能力。
在視覺化的對比中，Groma也表現出了更高的recall和更少的幻覺。
此外，Groma也支援融合對話能力和定位能力的referential dialogue以及grounded chat。
#得益於大語言模型強大的認知推理能力，多模態大模型在視覺理解任務上表現突出。
然而一些傳統的視覺任務，如檢測分割、深度估計等，更依賴視覺感知能力，這恰恰是大語言模型所缺乏的。
Groma在這個問題上提供了一種新的解決思路，即把感知和認知解耦開來，由vision tokenizer負責感知，大語言模型負責認知。
這種先感知後認知的形式除了更符合人類的視覺過程，也避免了重新訓練大語言模型的計算開銷。
5月15日，位元組跳動剛剛公佈了自研的豆包大模型，提供多模態能力，下游支援豆包APP、釦子、即夢等50+業務，並透過火山引擎開放給企業客戶，協助企業提升效率、加速智慧化創新。目前，豆包APP已成為中國市場用戶量最大的AIGC應用程式。位元組跳動正持續加強對頂尖人才和尖端技術的投入力度，參與業界頂尖的技術挑戰與攻堅。
計畫網站：
https://www.php.cn/link/07a81d45ff030b63fe2a0f375b779f09
#論文連結：
https://www.php.cn/link/b82b80956cfbe75101bd223fe6319dec
#開源代碼：
https://www.php.cn/link/b984bddf9e7c8fb09854e208c0284764
以上是港大字节提出多模态大模型新范式，模拟人类先感知后认知，精确定位图中物体的详细内容。更多信息请关注PHP中文网其他相关文章！
