多模态生成一直是OpenAI、微软、百度等科技巨头的重要研究领域，但如何实现连贯的文本和相关图像是一个棘手的难题。
为了突破技术瓶颈，加州大学圣克鲁斯分校研发了MiniGPT-5模型，并提出了全新技术概念“Generative Vokens "，成为文本特征空间和图像特征空间之间的“桥梁”，实现了普通训练数据的有效对齐，同时生成高质量的文本和图像。
为了评估MiniGPT-5的效果，研究人员在多个数据集上进行了测试，包括CC3M、VIST和MMDialog。结果显示，MiniGPT-5在多个指标上都优于多个对比基线，能够生成连贯、高质量的文本和图像。
例如，在VIST数据集上，MiniGPT-5生成的图像CLIP分数高于fine-tunedStable Diffusion2; 在人类评估中，MiniGPT-5生成的语言连贯性更好（57.18%），图像质量更高(52.06%)，多模态连贯性更强(57.62%)。
在MMDialog数据集上，MiniGPT-5的MM相关性指标达到0.67，超过基准模型Divter的0.62。这充分证明MiniGPT-5在不同数据模式下的强大适应能力。
开源地址:https://github.com/eric-ai-lab/MiniGPT-5
论文地址:https://arxiv.org/abs/2310.02239
MiniGPT-5模型主要有3大创新点:1）利用多模态编码器提取文本和图像特征，代表了一种全新的文本与图像对齐技术，效果优于直接利用大语言模型生成视觉token的方法。
2）提出了无需完整图像描述的双阶段训练策略:第一阶段，专注文本与图像的简单对齐;第二阶段，进行多模态细粒度特征学习。
3）在训练中引入了“无分类器指导”技术，可有效提升多模态生成的内容质量。主要模块架构如下。
Generative Vokens
MiniGPT-5的核心创新就是提出了“Generative Vokens”技术概念，实现了大语言模型与图像生成模型的无缝对接。
具体来说，研究人员向模型的词表中加入了8个特殊的Voken词元[IMG1]-[IMG8]。这些Voken在模型训练时作为图像的占位符使用。
在输入端，图像特征会与Voken的词向量拼接，组成序列输入。在输出端，模型会预测这些Voken的位置，对应的隐状态h_voken用于表示图像内容。
然后，h_voken通过一个特征映射模块，转换为与Stable Diffusion文本编码器输出对齐的图像条件特征ˆh_voken。
在Stable Diffusion中，ˆh_voken作为指导图像生成的条件输入。整个pipeline实现了从图像到语言模型再到图像生成的对接。
这种通过Voken实现对齐的方式，比逆向计算要直接，也比利用图像描述更为通用。简单来说，Generative Vokens就像是一座“桥梁”，使不同模型域之间信息传递更顺畅。
双阶段训练策略
考虑到文本和图像特征空间存在一定的域差异，MiniGPT-5采用了两阶段的训练策略。
第一阶段是单模态对齐阶段:只使用单个图像-文本对的数据，如CC3M。模型学习从图像标题生成对应的Voken。同时，加入辅助的图像标题损失，帮助Voken与图像内容对齐。
第二阶段是多模态学习阶段:使用包含连续多模态样本的数据，如VIST，进行微调。设置不同的训练任务，包括生成文本、生成图像和同时生成两者。增强了模型处理多模态信息的能力。
这种分阶段策略，可以缓解直接在有限数据上训练带来的问题。先进行粗粒度对齐，再微调细粒度特征，并提升了模型的表达能力和鲁棒性。
无分类器指导
为进一步提升生成文本和图像的连贯性，MiniGPT-5还采用了“无分类器指导”的技术。
其核心思想是，在图像扩散过程中，以一定概率用零特征替换条件Voken，实现无条件生成。
在推理时，将有条件和无条件的结果作为正负样本，模型可以更好地利用两者的对比关系，产生连贯的多模态输出。这种方法简单高效，不需要引入额外的分类器，通过数据对比自然指导模型学习。
文本到图像生成模型
MiniGPT-5使用了Stable Diffusion2.1和多模态模型MiniGPT-4作为文本到图像生成模型。可以根据文本描述生成高质量、高分辨率的图片。
Stable Diffusion使用Diffusion模型和U-Net作为主要组件。Diffusion模型可以将图片表示成噪声数据，然后逐步进行去噪和重构。
U-Net则利用文本特征作为条件，指导去噪过程生成对应的图片。相比GAN，Diffusion模型更稳定，生成效果也更清晰逼真。
为了准确地将生成标记与生成模型对齐，研究人员制定了一个用于维度匹配的紧凑映射模块，并结合了一些监督损失，包括文本空间损失和潜在扩散模型损失。
文本空间损失帮助模型学习标记的正确位置，而潜在扩散损失直接将标记与适当的视觉特征对齐。由于生成Vokens的特征直接由图像引导，因此，不需要图像的全面描述就能实现无描述学习。
研究人员表示，MiniGPT-5的最大贡献在于实现了文本生成和图像生成的有效集成。只需要普通的文本、图像进行预训练，就可以进行连贯的多模态生成，而无需复杂的图像描述。这为多模态任务提供了统一的高效解决方案。
本文素材来源加州大学圣克鲁斯分校论文，如有侵权请联系删除
