论文：Vary: Scaling up the Vision Vocabulary for Large Vision-Language Models

代码：https://github.com/Ucas-HaoranWei/Vary

出处：旷视

时间：2023.12

一、背景

当前流行的大型视觉-语言模型 Large Vision-Language Models (LVLMs) 一般都使用共享的 vision vocabulary，这个词库就是 CLIP，因为 CLIP 是公认的包含了很多图像-语言信息的模型，可以 cover 大多数通用的视觉任务。

但对于一些特殊的任务，需要对视觉信息进行更密集细致的提取，比如需要对 document-level 进行 OCR 或字符的理解的任务，或者非英文的场景，CLIP vision vocabulary 就无法表现的很好了。

mPlug-Owl [49] 和 Qwen-VL 尝试了将 vision vocabulary 网络解冻来解决这个问题，但作者认为，有三个不合理的地方：

• 其一：这样会覆盖掉之前学习的知识：

  这意味着如果你尝试通过向大型语言模型（如7B大小的模型）添加或更新视觉词汇，可能会导致原有的、模型已经学习的词汇知识被新的信息覆盖。因为语言模型通常是在大量文本数据上训练的，它们已经内化了丰富的语言知识和结构。如果试图将视觉元素的信息强加给这些已经存在的词汇，可能会扰乱模型对这些词汇原有的理解。

• 其二：vision vocabulary 更新的速度更快，大的 LLM（7B）的更新速度慢：

  在一个相对较大的语言模型上更新视觉词汇，训练效率可能会很低。这是因为大型模型参数众多，训练它们需要大量的计算资源和时间。尤其是当试图整合视觉数据时，这个过程可能会变得更加复杂和低效，因为视觉数据通常比文本数据更为复杂并且维度更高。

• 其三：不能让视觉词汇网络多次“看到”图像：

  由于大型语言模型（LLMs）具有很强的记忆能力，它们在处理信息时不需要多次“看到”同一个输入。这意味着，一旦模型学习了某个图像的信息，它就能够记住这些信息，而不需要像传统的视觉识别网络那样通过多个训练周期（epochs）多次学习同一个数据集。这种强记忆能力可能会限制模型在学习视觉词汇时的灵活性。

基于此，作者提出了一个问题：是否存在一种策略可以简化并有效增强视觉词汇？

简化并增强视觉词汇的策略可能包括创建更高效的模型架构，使用更先进的训练技术，或者开发新的算法来更好地整合视觉信息和文本信息，而不会受到上述限制的影响。

这篇论文提出了一个名为 Vary 的方法，它是一个高效且用户友好的方法，用于解决上述问题。Vary 的灵感来源于传统大型语言模型（LLMs）中文本词汇扩展的方式，即，当将一个英语 LLM 转移到另一种外语（如中文）时，需要扩展文本词汇以提高新语言下的编码效率和模型性能。直观地说，对于视觉分支，如果我们向模型输入“外语” 图像（也就是没有见过的图像或者说不理解的图像），也需要扩大视觉词汇。

Vary，也就是一个扩大 LVLM 的 Vision vocabulary 的方法：

• 第一阶段：生成一个新的视觉词汇表：使用 vocabulary network 和一个 tiny decoder-only transformer 来通过自回归产生需要的 vocabulary

  自回归的方式就是通过预测下一个 token 的方式来训练词汇模型，因为基于自回归的生成词汇的过程可能比基于对比学习的方式（如CLIP）更适合密集感知任务，原因有两个：

  ① 预测下一个 token 的方式可以允许视觉词汇压缩更长的文本

  ② 这种方式可以使用的数据格式更为多样，例如带有提示的VQA数据。在准备好新的视觉词汇后，我们将其添加到传统的 LVLMs 中以引入新特性。在此过程中，冻结了新旧词汇网络，以避免视觉知识被覆盖。

• 第二阶段：整合新旧词汇表：通过将新产生的 vocabulary 和原来的 CLIP vocabulary 结合起来，让 LVLM 能很快的获得新的特征，在扩大视觉词汇后，LVLM 可以实现更细粒度的视觉感知，此外，作者提供了产生合成数据的方法

效果：

• 相比于 BLIP-2, MiniGPT4 和 LLaVA， Vary 能在保持 LVLM 原始性能的同时，提供更好的精细感知和理解能力
• Vary 能够在文档理解（document parsing，包括 OCR 或 markdown 转换），在 DocVQA 上获得了 78.2% ANLS，在 MMVet 上获得了 36.2% ANLS

二、方法

Vary 的整体结构如图 2 所示：

• Vary-tiny：生成新的 vision vocabulary：

  • 由 vocabulary network 和 tiny OPT-125M 组成，在两个模块中间使用了线性层来进行通道维度对齐
  • 因为 Vary-tiny 主要是用于精细粒度的感知，所以 Vary-tiny 没有 text 输入分支
  • 作者期望 vision vocabulary network 是能够处理文档、表格等人造图像来弥补 CLIP 的不足，但同时又不能是 CLIP 的噪声，所以在训练的时候，是将人工造的文档或表格数据作为 positive samples，自然图片作为 negetives samples 来训练 vary-tiny 的

• Vary-base：使用新的 vision vocabulary：

  • 在训练完 vary-tiny 之后，使用训练好的 vocabulary network 加到更大的模型上来构建 vary-base，如图 2 下半部分，新的和旧的 vocabulary network 的 input embedding layer 是独立的，在送入 LLM 之前会合并起来，在这个阶段，新旧 vocabulary network 的参数都是冻结的，其他模块的参数都是放开的

2.1 生成 new vision vocabulary

2.1.1 new vocabulary network

作者使用经过 SAM 预训练的 ViTDet 的 image encoder（base scale）作为 new vocabulary network 的主要部分

由于 SAM-base 的输入分辨率是 1024x1024，输出是 16x 下采样后的，最后一层的输出大小是 64x64x256，没法和 CLIP-L （256x1024 for NxC）的输出匹配上

所以，作者在 SAM 的最后一层后面加了两层卷积层，如图 3 所示，第一层卷积核大小为 3，将特征转换为 32x32x512，第二层卷积和第一层一样，将输出进一步转换成 16x16x1024，这样，就可以将输出和 CLIP-VIT 的 256x1024 对齐了

2.1.2 Data engine in the generating phrase

1、文档数据

作者选择高分辨率的文档图像-文本对作为新视觉词汇预训练的主要 positive 数据集，因为密集的OCR可以有效验证模型的细粒度图像感知能力。

据作者所知，目前没有公开可用的包含英文和中文文档的数据集，因此作者自己创建了一个。

作者首先从 arXiv 和 CC-MAIN-2021-31-PDF上来收集英文部分的 PDF 风格文档，并从互联网上的电子书中收集中文部分。

然后，使用 PyMuPDF 的 fitz 提取每个 PDF 页面的文本信息，并同时通过 pdf2image 将每页转换成 PNG 图像。在此过程中，作者构建了100万中文和100万英文的文档图像-文本对进行训练。

2、表格数据

作者发现当前的 LVLMs（大型视觉语言模型）在图表理解方面不是很好，尤其是中文图表，所以选择它作为另一个需要“编入”新词汇的主要知识。

对于图表图像-文本对，作者选择 matplotlib 和 pyecharts 作为渲染工具。对于 matplotlib 风格的图表，作者分别构建了25万中文和英文的图表。而对于 pyecharts，作者分别构建了50万中文和英文的图表。此外，作者将每个图表的文本真实值转换为 python 字典形式。图表中使用的文本，例如标题、x轴和y轴，是从互联网上下载的自然语言处理（NLP）语料库中随机选取的。

3、自然数据（作为负样本）

对于 CLIP-VIT 擅长的自然图像数据，作者需要确保新引入的词汇不会造成噪音。因此，作者构建了负面自然图像-文本对，以使新词汇网络在看到自然图像时能够正确编码。作者从COCO数据集[22]中提取了12万张图像，每张图像对应一段文本。

文本部分是随机选自以下句子：“这是一张自然图像”；“这里有一张自然图片”；“这是一张自然照片”；“这是一张自然图像”；“那是来自大自然的一张照片”。

2.1.3 输入的格式

作者使用自回归的方式，使用 image-text pairs 来训练 vary-tiny 的所有参数

输入的形式和现有的 LVLM 一致：

• image token 和 text token 被打包起来，使用前缀区分
• “” 和 “” 用来界定图像数据在输入序列中的位置。这样做可以让模型知道哪部分是图像，哪部分是文本。这些数据被输入到一个叫做OPT-125M的模型中，这个模型可以处理长达4096个令牌（token）的序列。这里的令牌可以是图像的一部分，也可以是文本的一部分。
• 在训练过程中，尽管输入包含图像和文本，Vary-tiny 模型的输出仅为文本。此外，文本的结束标记符号是 “/s”，也就是 eos token，这告诉模型一段文本何时结束。

2.2 扩大 vision vocabulary

2.2.1 Vary-base 的结构

在完成词汇网络的训练之后，将其引入到语言-视觉多模态模型（LVLM）——Vary-base 中。

新的视觉词汇与原始的 CLIP-VIT 是并行的，这两个视觉词汇都拥有各自的输入嵌入层，即一个简单的线性层。

如图2所示，线性层的输入通道是1024，输出是2048，确保在拼接后图像令牌的通道数为4096，这正好与大型语言模型（LLM）的输入对齐（无论是Qwen-7B还是Vicuna-7B）

2.2.2 Data engine

作者通过下面这些方法来进行数据扩充

1、Latex 渲染的方式

除过上面收集的文档，还需要一些公式或表格数据，作者使用 latex 渲染的方式来生成一些相关数据

• 首先，作者收集了一些 arxiv 上的 .txt 源文件

• 然后，使用正则表达式提取了表格、数学公式和纯文本。

  在提取表格和公式的应用场景中，正则表达式可以这样工作：提取表格：在LaTeX文档中，表格通常使用\begin{table}和\end{table}标签包围。正则表达式可以被设计来搜索这些特定的标签及其之间的所有内容，从而提取整个表格。提取公式：类似地，数学公式在LaTeX中通常被 \begin{equation}和\end{equation}或者$...$（对于内联公式）和$$...$$或者[…]（对于展示公式）所包围。正则表达式可以匹配这些模式来提取公式。

• 最后，使用 pdflatex 重新渲染这些内容。作者收集了10多个模板来执行批量渲染。此外，每个文档页面的文本真实内容转换 为mathpix markdown 风格，以统一格式。通过这个构建过程，获得了50万页英文页面和40万页中文页面。一些样本展示在图4中。

  pdflatex是一个用于将LaTeX文档转换成PDF格式的命令行工具。LaTeX是一种基于TeX的排版系统，广泛用于生成科学和数学文献的复杂和高质量的文档。当你编写了一个LaTeX文档（通常是一个.tex文件）后，你需要通过一个编译过程将其转换成可读的文档，通常是PDF格式。pdflatex正是用于这种转换的工具之一。

2、语义关联图表渲染

在 2.1.2 节中，批量渲染图表数据来训练新的词汇网络。然而，这些渲染图表中的文本（标题、x轴值和y轴值）相关性较低，因为它们是随机生成的。这个问题在词汇生成过程中并不是问题，因为生成任务只希望新的词汇能够有效压缩视觉信息。然而，在Vary-base的训练阶段，由于解冻了LLM，希望使用更高质量（内容强相关）的数据进行训练。因此，使用 GPT-4[32] 来生成一些使用相关语料库的图表，然后我们利用高质量的语料库额外渲染了20万个图表数据用于Vary-base训练。

3、通用数据

Vary-base 的训练过程遵循流行的 LVLMs，例如 LLaVA[25]，包括预训练和 SFT 阶段。与 LLaVA 不同的是，作者冻结了所有的词汇网络并解冻了输入嵌入层和 LLM，这更像是纯 LLM 的预训练设置。

作者使用自然图像-文本对数据来向 Vary-base 介绍通用概念。这些图像-文本对是从 LAION-COCO[37] 中随机提取的，数量为 400万。在 SFT 阶段，作者使用 LLaVA-80k 或 LLaVA-CC665k[24] 以及 DocVQA[29] 和 ChartQA[28] 的训练集作为微调数据集。

2.2.3 对话格式

当使用 Vicuna-7B 作为 LLM 时，对话的格式是和 Vicuna v1 [8] 相同的：

• USER: “” “texts input”
• ASSITANT: “texts output”

因为 Vicuna 处理中文很慢，所示使用 Qwen-7B [2] 作为 LLM 来处理中文，当使用 Qwen-7B [2] 处理中文的时候，对话格式参考的是 LLaVA-MPT [25, 41]：

• <|im_start|>user: “” “texts input”<|im_end|> <|im_start|>assistant: “texts output” <|im_end|>.

三、效果

3.1 数据集

作者使用了多个数据集进行了测试：

• 作者构建的 document-level OCR 测试集，主要是为了测试密集视觉感知能力：包括纯 OCR 和 markdown 转换任务
  • 纯 OCR 任务的测试集包括 100 张中英文数据，是随机从 arxiv 和 ebook 上抽取的
  • markdown 转换任务重，测试集包括 200 pages，其中 100 包括表格，另外 100 包括数学公式
• DocVQA[29] 和 ChartQA [28]，主要测试下游任务上的能力
• MMVet[51]，测试整体模型的效果

document parsing 测评指标：

• Normalized Edit Distance
• F1-Score
• precision
• recall

DocVQA, ChartQA, 和 MMVet 使用原来的测评

训练细节：

• 对于词汇扩充任务，作者训练 vary-tiny 的全部参数，使用的 batch=512，epoch=3，optimizer=AdamW（cosine 退化），lr=5e-5
• 在训练 vary-tiny 的时候，作者冻结了 new 和 vanilla（CLIP）的 vision vocabulary network，优化的是 input embedding layers 和 LLM
• pretrain 预训练的时候 lr=5e-5，训练 SFT 的时候 lr=1e-5，预训练和 SFT 时 batch=256，epoch=1

归一化编辑距离:

• OCR（光学字符识别）中的归一化编辑距离（Normalized Edit Distance，也称为Levenshtein距离）是一种衡量两个字符串相似度的方法。它通过计算将一个字符串转换成另一个字符串所需要的最少单字符编辑操作次数来实现。单字符编辑操作包括插入、删除和替换。

• 编辑距离（Levenshtein距离）：这是一个衡量两个字符串差异的指标，通过计算一个字符串转换成另一个字符串所需要的最小编辑操作数。这些操作通常包括：

  • 插入：在一个字符串中插入一个字符。
  • 删除：从一个字符串中删除一个字符。
  • 替换：将一个字符串中的一个字符替换成另一个字符。

• 归一化编辑距离是将编辑距离除以两个字符串中较长的那个的长度，使得得到的值在0到1之间。这样可以消除字符串长度对比较结果的影响，让结果更加标准化。归一化编辑距离可以定义为：

  $\text{归一化编辑距离}=\frac{\text{编辑距离}}{\max (\text{字符串1的长度},\text{字符串2的长度})}$

• 归一化编辑距离的值越接近 0，表示两个字符串越相似；值越接近1，则表示两个字符串差异越大。

• 在OCR系统中，归一化编辑距离常用来评估OCR输出和实际文本之间的差异，以此来衡量OCR系统的准确性。如果OCR输出的文本和实际文本的归一化编辑距离很小，那么可以认为OCR系统具有较高的识别准确率。反之，如果归一化编辑距离较大，则说明OCR系统可能在文本识别上存在较多错误。

3.2 图像细粒度感知能力

作者通过密集文本识别能力来衡量 Vary 的细粒度感知性能。

如表1所示，Vary-tiny 通过视觉词汇生成过程，集合了中文和英文的密集OCR能力：

• 它在中文和英文文件（纯文本）OCR上分别实现了0.266和0.197的编辑距离，这证明了新视觉词汇具有良好的细粒度文本编码能力。
• 对于Vary-base，它在英文纯文本文件上可以达到与 nougat（一种特殊的文档解析模型）相当的性能。

此外，使用不同的提示（例如，将图像转换为markdown格式），Vary-base 可以实现文档图像到 markdown 格式的转换。

值得注意的是，在这样的任务中，Vary-base（在数学和表格平均值上具有0.181的编辑距离和81.10%的F1得分）在某种程度上比nougat（平均0.245的编辑距离和79.97%的F1得分）要好，这可能是由于7B LLM（Qwen）超强的文本纠正能力。

所有上述结果表明，通过扩展视觉词汇，新的LVLM可以提升其细粒度感知性能。

3.3 下游任务

作者在 DocVQA [29] 和 ChartQA [28] 两个下游视觉问答（VQA）任务上测试了性能提升。

作者使用了额外的提示：“使用单个单词或短语回答以下问题：”[24]，以便模型输出简短且精确的答案。

如表 2 所示，Vary-base（以Qwen-7B作为大型语言模型LLM）在DocVQA上，基于LLaVA-80k [25] 的 SFT（特定任务微调）数据，可以达到 78.2%（测试集）和 76.3%（验证集）的 ANLS 得分。

使用 LLaVA-665k [24] 数据进行 SFT，Vary-base 在 ChartQA 上的平均性能可以达到 66.1%。

在这两个具有挑战性的下游任务上的表现可与 Qwen-VL [4]相媲美，甚至更好，这证明了本文提出的视觉词汇扩展方法对于下游任务也是有前景的。

3.4 通用效果

作者通过 MMVet [51] 基准测试来监控 Vary 的整体性能。

如表3所示，使用相同的大型语言模型（Vicuna-7B）和特定任务微调数据（LLaVA-CC665k），Vary的性能提升了 2.4%（从 30.5% 提升至 32.9%），这证明了本文的数据和训练策略没有损害模型的通用能力。

此外，结合 Qwen-7B 和 LLaVA-80k 的 Vary 可以达到 36.2% 的性能，进一步证明了我们扩大视觉词汇量的有效性。

3.5 其他效果展示

四、代码

4.1 模块解释

1、AutoTokenizer

这个类用于加载预训练的tokenizer（词元化器）。Tokenizer负责将原始文本转换成模型能够理解的格式，即将句子分解成词或子词单元（tokens），这些单元可以是单词、字母或者是词根等。此外，它还负责将这些tokens转换为模型需要的数字ID，并且可以自动处理添加特殊token，比如序列开始和结束标记。

2、AutoModelForCausalLM

这个类用于加载预训练的因果语言模型（Causal Language Model）。因果语言模型是一种自回归模型，它基于给定的一系列词元（例如一个句子中的单词）来预测下一个词元。这种模型常用于生成文本，如聊天机器人、文本补全、故事生成等。“Causal”（因果的）一词意味着模型的预测只依赖于先前的词元，而不是未来的词元。

简而言之，使用 AutoTokenizer 可以准备数据，然后使用 AutoModelForCausalLM 来生成或者继续生成文本

3、CLIPImageProcessor
不直接提取图像特征，而是准备图像数据，使其能够被 CLIP 模型正确处理。它通常执行的操作包括调整图像大小、归一化像素值等，以匹配训练时使用的格式。这是数据预处理的一个步骤，它确保输入数据与模型在训练时接收的数据格式相同。

具体提取图像特征的是 CLIP 模型的图像编码器部分。在 CLIP 模型中，有两个主要的组件：

图像编码器（Image Encoder）：它负责将图像转换成嵌入向量（即特征表示）。这通常是一个预训练的卷积神经网络（CNN）或者变换器（Transformer）架构，它将输入图像转换为一维的特征向量。

文本编码器（Text Encoder）：它负责将文本输入转换成嵌入向量，使其与图像嵌入处于相同的嵌入空间。

CLIP 模型的核心思想是同时训练图像和文本编码器，使得它们能够将图像和文本映射到共同的嵌入空间中，从而可以比较图像和文本的相似度。

CLIPImageProcessor {
  "crop_size": {
    "height": 224,
    "width": 224
  },
  "do_center_crop": true,
  "do_convert_rgb": true,
  "do_normalize": true,
  "do_rescale": true,
  "do_resize": true,
  "feature_extractor_type": "CLIPFeatureExtractor",
  "image_mean": [
    0.48145466,
    0.4578275,
    0.40821073
  ],
  "image_processor_type": "CLIPImageProcessor",
  "image_std": [
    0.26862954,
    0.26130258,
    0.27577711
  ],
  "resample": 3,
  "rescale_factor": 0.00392156862745098,
  "size": {
    "shortest_edge": 224
  }
}