电子发烧友App
宣传一下最近的新工作，个人感觉是读博以来做得最难最累但是成就感也最大的一个项目。它起源自一个很简单的问题——自LLM诞生以来，我们见到了很多把LLM接到Vision Backbone后面的算法，那么有两个自然的问题：
LLM的Transformer是否可以直接处理视觉Token？
LLM的Transformer是否可以提升处理视觉Token的Performance？
我们的工作回答了这两个问题 (答案是Yes) 而且解释了其中的原因：在语言模型中Pretrain的Transformer可以用作视觉任务的Encoder Layer。代码已经开源，欢迎大家点赞关注我们的Paper和GitHub。
Frozen Transformers in Language Models Are Effective Visual Encoder Layers 代码：github.com/ziqipang/LM4VisualEncoding
论文：https://arxiv.org/abs/2310.12973
1. LLM的Transformer可以处理视觉Token吗？
在LLM的加持下，很多Vision-language Model 会直接把来自图像的Embedding输入给LLM，并让LLM作为Decoder输出文字、类别、检测框等。但是在这些模型中，LLM并不会直接处理来自图像的Token，它们更多地是 (1) 处理提前设计好的语义Token，例如CLIP中的cls token；(2) 处理被压缩过的Token，例如BLIP里面经过information bottleneck的token。那么LLM是否可以直接作用于其它模态的Token呢，即LLM是否可以用作Encoder，而不只是Decoder呢？
1.1 实验方法
验证这个事情非常简单，以ViT为例，我们只需要：
取出某一个LLM的Transformer Layer (例如LLaMA的最后一个Transformer)，请注意这里只需要一个Transformer Block而不是整个LLM；
把它加入到最后一个Encoder Block后面，只需要额外两个Linear Layers把Feature Dimensions拉齐；
冻结LLM的Transformer，但是正常训练其它部分。
以ViT为例，我们的模型结构非常简单，只需要额外两个线性层
1.2 和现在的Vision-language Model的异同
是否需要Pretraining？我们的方法重在提升Encoding能力，所以我们既支持Train-from-scratch，也支持Finetune，而不是必须要依赖预训练好的Backbones。
是否需要Language？虽然我们用的是LLM的Transformer，但是我们的Framework独立于使用Language (比如Prompts或者Alignment)，而不是像Vision-language Models一样必须要Language。
可以处理多少模态？我们的Framework可以泛化到多个模态和任务，而不是只能处理图像。
Encoder和Decoder有什么区别？Encoder需要直接和Visual tokens打交道，比如和HxW个图像token的信息做Cross-attention去改变cls token。
现在已经有这么多Vision-language Models了，你们的研究有什么用？首先，我们的研究和现在的vision-language Models不矛盾而且互相补充——现在vision-language model研究如何把视觉embedding输入给LLM，而我们的研究聚焦如何提供更好的embedding。
1.3 一个预训练的LLaMA Transformer在许多不同模态、任务的Encoder上都有用
在论文中，我们发现把LLM的Transformer用作视觉Encoder可以泛化到极其多样的场景。
2D语义：图像分类 (image classification)
点云：点云分类 (point cloud classification)
视频：动作识别 (action recognition)
无语义，回归任务：轨迹预测 (motion forecasting)
2D多模态：2D VQA和图像搜索 (2D VQA and Retrieval)
3D多模态：3D VQA
在这些任务中，我们的模型不只要处理图像上像patch一样的Token，还要处理
点云中无规则的3D点
视频中形状是TxHxW的长方体形状的token
轨迹预测里面来自Agent和高精地图的Polylines
多模态任务中混合了图像和语言的Token
ImageNet, 图像分类
2D/3D 语言多模态任务
自动驾驶，轨迹预测
2. 为什么预训练的LLM Transformer有用：Information Filtering Hypothesis
虽然我们在许多任务和模态上都看到了性能的提升，但是如何解释这一点呢？我们在研究的过程中感觉如果把加了LLM的提升都归结于"LLM包含了可以泛化的知识"，其实比较偷懒而且不一定正确。所以我们研究了Token在加LLM transformer前后的变化提出了Information Filtering假设：
LLM Transformer模块能够在训练的过程中筛选和目标任务相关的Visual Tokens并且放大他们的贡献。
这个结论是我们paper里面可能最重要的发现。
2.1 在ViT上的观察 —— LLM Transformer筛选出了前景
为什么可以这么说呢？我们看下图中我们对ViT的Token Activation的可视化：为了体现不同Token的贡献，我们从本身Activation的大小(L2-norm)和频率大小进行了可视化(做傅里叶变换后算角度的L2-norm)。
可以看到：在有了LLM Transformer之后，ViT的Activation能更干净地集中到前景区域，而这个性质只有在无监督学习的ViT中(e.g. DINO)中可以见到，在监督学习的ViT中很少见。
另一方面，我们对比了有/没有LLM transformer对于Attention weight的影响：普通的ViT的Attention Weight几乎是完全Noisy的 (和DINO的观察吻合)，在加了LLMTransformer之后 (1) 有极少的Attention Head体现出了干净的前景分割的样子，但是 (2) 它们的数量较少不足以解释Token Activation更显著地好。
因此，我们观察到的提升来自有用的Feature被放大了，这也是为什么我们称之为information filtering hypothesis。
2.2 在其它任务的也可以筛选有用的Token
类似的“information filtering”现象不只在ViT和图像分类上有，在其它任务上，LLM Transformer也有效地提升了对目标任务最有用的Token。这里我们举两个例子：
在动作识别中，加了LLaMA的Transformer可以更好地集中到前景的手和物体(low threshold)，也更多地筛选出了手和物体有实际动作的帧(high threshold)。
在3D VQA中，我们可视化了点云Token的大小。可以看到，那些真正和预测目标、或者问题相关的点得到了更大的关注：比如在左图中，"behind me"的点云显著得到了更大的Activation (颜色更亮了)。
3. 一点Ablation Study
那么我们观察到的现象，即LLM的Transformer可以提升Visual Encoding，是否和不同的层、LLM有关呢？
多种LLM Transformer都可以提升Visual Encoding。例如用LLaMA和OPT的不同Transformer层都会有提升，而且不同层之间也会体现不同的规律。
只有足够大的LLM才有提升Visual Encoding的效果。例如只有足够大的OPT才会提升Visual Encoding的效果。
4. 后记
最后写一些没有写在Paper里面的自己的感受和思考：
在论文中最让我感到兴奋的不是结合了LLM在很多Task上都有提升，而是在我们Information filtering假设的分析中看到了质变：神经网络能够更好地学习到那些和任务最相关的Token。
那么为什么会有这样的效果？我猜测是LLM的Transformer的参数矩阵，例如FFN的矩阵，有一些很好的性质，例如在某些情况下是一个高通滤波器。我们可以从反面思考，如果一个参数矩阵是随机初始化(低通滤波器)，或者干脆就是一个单位矩阵，那么必然不可能去筛选出来有用的Token，并且放大他们的贡献。
在尝试解释这个现象的时候，我们发现用transfer learning的工具来分析会非常有难度，因为我们不能保证vision和language确实在一层transformer之后就align了。最终，一个比较合理的直觉是受到了我本科同学许逸伦"A Theory of Usable Information Under Computational Constraints"这篇Paper的启发：我们可以把LLM Transformer看作一种Decipher，它提升了Feature的有用性，使得一层MLP或者Decoder的有限计算资源可以把Feature映射到和真实结果Mutual Information更高的空间中。事实上，这也契合我们Information filtering的观察。
编辑：黄飞
工商网监
评论