AAAI 2025 高效桥接视觉和语言，字节、中大提出全新多模态大模型连接器

在多模态大语言模型（MLLMs）的发展中，视觉-语言连接器作为将视觉特征映射到 LLM 语言空间的关键组件，起到了桥梁作用。

因此，它几乎成为了所有多模态大语言模型中不可或缺的结构之一。然而，如何高效地将视觉特征映射到 LLM 的探索还有很大提升空间。

字节团队与中大合作提出的 ParGo 模型，通过巧妙地融合全局视野和局部细节，不仅在多项权威基准测试（Benchmark）中表现出色，成功入选了 AAAI 2025。

论文题目：

ParGo: Bridging Vision-Language with Partial and Global Views

收录会议：

AAAI 2025

论文链接：

https://arxiv.org/abs/2408.12928

代码链接：

https://github.com/bytedance/ParGo

过去，大多数研究主要依赖线性投影或多层感知机（MLP）将视觉特征直接映射，这种方法难以有效控制输入 LLMs 的视觉 token 数量，特别是在处理细粒度特征时，导致计算成本极高。

另一类基于注意力机制的方法（如 Q-former）通过注意力操作将图像特征投射为固定数量的视觉 token，虽然大幅减少了计算成本，但往往使得生成的 token 集中在图像的显著区域，忽略了细节部分。

为了解决这一问题，ParGo 提出了一种创新的全局-局部投影器来连接视觉与文本，通过结合全局视野和局部细节的双重视角，克服了传统方法对显著区域的过度聚焦，使得视觉特征能够在更细腻的层面上得到全面展现，同时有能有效控制过长的 token 带来的计算成本的升高，进而实现了视觉特征和 LLM 的高效连接。

▲ 全局+局部视角联合

方法

ParGo (Partial-Global) 采用两种类型的可学习 token，利用 attention 机制，同时从局部和全局视角将视觉特征映射到大语言模型（LLM）中。

该框架包含两个关键模块：Partial-Global Perception Block (PGP) 和 Cascaded Partial Perception Block (CPP)。这两个模块共同作用，实现了高效的视觉-语言连接，既捕捉了图像的全局信息，又能精细地提取局部特征，从而提升了多模态大语言模型的效果。

核心模块

Partial-Global Perception Block (PGP)

在 ParGo 中，视觉编码器的特征被映射为两种不同类型的 token：Partial token 和 Global token，从而能够分别提取图像的局部和全局信息。具体来说：

Partial tokens：每个 token 仅与部分视觉特征进行交互，专注于图像的局部信息；

Global tokens：全局 token 则与所有视觉特征进行交互，捕捉图像的全局信息。

ParGo 采用了一种新的交叉注意力掩码设计（Partial-Global Attention Mask），如图 1 (b) 所示，来处理输入的视觉特征。该设计能够同时输出包含图像局部和全局信息的特征，即 Partial tokens 和 Global tokens。具体的公式如下：

Cascaded Partial Perception Block (CPP)

此外，考虑到不同局部物体在图像中的占比不同，为了进一步增强对多种局部信息的完整捕获能力，ParGo 在 Partial-Global Perception 模块之前引入了 Cascaded Partial Perception (CPP) 模块。

CPP 模块的核心是一个带有特殊设计掩码的自注意力机制，如图1 (b) 中的 Cascaded Partial Attention Mask。随着层数的增加，每个 Partial token 能够访问到更多的相邻 token，从而逐步扩展其感知范围。该过程可以通过以下公式表示：

实验效果

论文重点对比了当前不同类型的 Projector（投射器），在一些通用的 MLLM 的 benchmark 的效果，均取得了优异的效果。

为了进一步进行公平对比，论文在相同数据集和实验参数下，比较了三种主流的投影器（Projector）。结果显示，ParGo 依然取得了最佳的性能表现。另外，在不同基座 LLM 下，ParGo 均表现良好，体现出了更好的泛化性能。

案例分析

为了能进一步展现 ParGo 在控制 token 数量的情况下，依然能做到细粒度和空间关系的准确捕获，作者对比了 ParGo 和 Q-former 这两种均是基于注意力机制的 Projector（投射器）在相同 tokens 下的效果：

总结

本研究提出了 ParGo（局部-全局投影器），一种创新的视觉-语言投影方案，旨在提升多模态大语言模型（MLLMs）中视觉和语言模态的对齐效果。

ParGo 通过结合局部 token 和全局 token，并使用精心设计的注意力掩码分别提取局部和全局信息，在控制 token 数量的同时增强了局部区域之间的关系建模，充分考虑了图像的细节与全局视角，从而克服了传统方法中忽视细节的问题。

（文：PaperWeekly）