AIMv2 – 苹果开源的多模态自回归预训练视觉模型-爱论文

AIMv2是什么

AIMv2是苹果公司开源的多模态自回归预训练视觉模型，通过图像和文本的深度融合提升视觉模型的性能。采用创新的预训练框架，将图像划分为非重叠的图像块，将文本分解为子词令牌，然后将两者拼接为统一序列进行自回归预训练。简化了训练过程，增强了模型对多模态数据的理解能力。AIMV2提供了多种参数规模的版本（如300M、600M、1.2B和2.7B），适用于从手机到PC等不同设备。在性能方面，AIMV2在多模态任务和传统视觉任务中均表现出色。

AIMv2的主要功能

视觉问答（VQA）：AIMV2 提取视觉特征并与问题文本结合，传递给大型语言模型（LLM），生成准确且贴合上下文的答案。指代表达理解：在 RefCOCO 和 RefCOCO+ 等基准测试中，AIMV2 能精准地将自然语言描述与视觉区域对应起来。图像字幕生成：结合 LLM，AIMV2 可以生成高质量的图像描述。多媒体检索：AIMV2 的多模态表示能力能高效地处理多媒体检索任务，支持对图像和文本的联合检索。与大型语言模型（LLM）集成：AIMV2 的架构与 LLM 驱动的多模态应用高度契合，能无缝集成到各种多模态系统中。零样本适应性：AIMV2 支持零样本识别适应性，能在不进行额外训练的情况下适应新的视觉任务。

AIMv2的技术原理

多模态自回归预训练框架：AIMV2 将图像分割为不重叠的小块（Patch），将文本分解为子词标记，然后将两者拼接为一个多模态序列。在预训练阶段，模型通过自回归的方式预测序列中的下一个元素，图像块还是文本标记。这种设计使得模型能够同时学习视觉和语言模态之间的关联。视觉编码器与多模态解码器：AIMV2 的架构由视觉编码器和多模态解码器组成。视觉编码器基于视觉 Transformer（ViT）架构，负责处理图像 Patch。多模态解码器则使用因果自注意力机制，根据前文内容预测下一个元素。损失函数设计：AIMV2 定义了图像和文本领域的单独损失函数。文本损失采用标准的交叉熵损失，图像损失则采用像素级回归损失，用于比较预测的图像块与真实图像块。整体目标是最小化文本损失和图像损失的加权和，以平衡模型在两个模态上的性能。训练数据与扩展性：AIMV2 使用了大量图像和文本配对数据集进行预训练，包括公开的 DFN-2B 和 COYO 数据集。训练过程简单高效，不需要过大的批量大小或特殊的跨批次通信方法。AIMV2 的性能随着数据量和模型规模的增加而提升，展现出良好的可扩展性。预训练后的优化策略：AIMV2 探索了多种训练后策略，例如高分辨率适配和原始分辨率微调。这些策略使得模型能够更好地处理不同分辨率和宽高比的图像，进一步提升其在下游任务中的表现。

AIMv2的项目地址

Github仓库：https://github.com/apple/ml-aimarXiv技术论文：https://arxiv.org/pdf/2411.14402

AIMv2的应用场景

图像识别：AIMV2 可作为冻结的特征提取器，用于多个图像识别基准测试。目标检测和实例分割：AIMV2 可作为主干网络集成到目标检测模型（如 Mask R-CNN）中，用于目标检测和实例分割任务。开放词汇对象检测：AIMV2 在开放词汇对象检测任务中表现出色，能识别和定位未见过的类别，展示强大的泛化能力。