MiniGPT-4: Enhancing Vision-Language Understanding with Advanced Large Language Models

要約

最近の GPT-4 は、手書きのテキストから Web サイトを直接生成したり、画像内のユーモラスな要素を識別したりするなど、並外れたマルチモーダルな能力を実証しました。
これらの特徴は、以前の視覚言語モデルではほとんど観察されませんでした。
ただし、GPT-4 の背後にある技術的な詳細は依然として非公開のままです。
GPT-4 の強化されたマルチモーダル生成機能は、洗練された大規模言語モデル (LLM) の利用に起因すると考えられます。
この現象を調べるために、1 つの投影層を使用して、フリーズされたビジュアル エンコーダーと、フリーズされた高度な LLM、Vicuna を調整する MiniGPT-4 を紹介します。
私たちの研究では、視覚的特徴を高度な大規模言語モデルに適切に調整することで、詳細な画像説明の生成や手描きの下書きからの Web サイト作成など、GPT-4 で実証された多数の高度なマルチモーダル機能を備えていることが初めて明らかになりました。
さらに、与えられた画像からインスピレーションを得て物語や詩を書くこと、食べ物の写真に基づいて料理の仕方をユーザーに教えることなど、MiniGPT-4 の他の新しい機能も観察しています。
私たちの実験では、短い画像キャプションのペアでトレーニングされたモデルが不自然な言語出力 (繰り返しや断片化など) を生成する可能性があることがわかりました。
この問題に対処するために、第 2 段階で詳細な画像記述データセットを厳選してモデルを微調整します。これにより、モデルの生成の信頼性と全体的な使いやすさが向上します。
私たちのコード、事前トレーニングされたモデル、および収集されたデータセットは、https://minigpt-4.github.io/ で入手できます。

要約(オリジナル)

The recent GPT-4 has demonstrated extraordinary multi-modal abilities, such as directly generating websites from handwritten text and identifying humorous elements within images. These features are rarely observed in previous vision-language models. However, the technical details behind GPT-4 continue to remain undisclosed. We believe that the enhanced multi-modal generation capabilities of GPT-4 stem from the utilization of sophisticated large language models (LLM). To examine this phenomenon, we present MiniGPT-4, which aligns a frozen visual encoder with a frozen advanced LLM, Vicuna, using one projection layer. Our work, for the first time, uncovers that properly aligning the visual features with an advanced large language model can possess numerous advanced multi-modal abilities demonstrated by GPT-4, such as detailed image description generation and website creation from hand-drawn drafts. Furthermore, we also observe other emerging capabilities in MiniGPT-4, including writing stories and poems inspired by given images, teaching users how to cook based on food photos, and so on. In our experiment, we found that the model trained on short image caption pairs could produce unnatural language outputs (e.g., repetition and fragmentation). To address this problem, we curate a detailed image description dataset in the second stage to finetune the model, which consequently improves the model’s generation reliability and overall usability. Our code, pre-trained model, and collected dataset are available at https://minigpt-4.github.io/.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google