「Vision-Centric Supervision」Matters in Large Multimodal Models!
「Vision-Centric Supervision」Matters in Large Multimodal Models!
今天介绍我们在多模态大模型领域的一篇原创工作。目前 Ross 已被 ICLR 2025 接收，相关代码已开源，有任何问题欢迎在 GitHub 提出。
论文链接：
项目主页：
代码链接：
Huggingface Checkpoint:
我们针对多模态大模型的视觉部分设计了重建原图形式的监督信号，该监督能够显著提升模型细粒度理解能力以及减轻幻觉。我们认为这是多模态大模型的 MAE 时刻，如何针对多模态大模型设计更好的 visual pre-text task 是后续研究的重点。
Motivation
在当今的多模态学习领域，多模态大模型尽管希望处理的是视觉数据，但其核心训练过程却几乎完全依赖于文本监督，即 “images –> CLIP –> LLM <== text supervision” 的架构。
这种做法缺乏对原始视觉信号的充分利用，模型的性能也很大程度上受限于被视觉表征的好坏。
为了突破这一瓶颈，我们提出了一种全新的方法——Reconstructive Visual Instruction Tuning（Ross）。
Ross 引入了视觉监督。它让大型多模态模型（LMMs）直接从输入图像中学习，通过重构图像来指导自身的优化过程。这种方式不仅充分利用了图像本身的丰富细节，还能够显著提升模型对细粒度视觉特征的理解能力。
Method
既然输入的图像本身就蕴含着大量的细节信息，为什么不直接利用它们来指导模型的学习呢？通过重构输入图像作为监督信号，我们鼓励模型保持对低级细节的关注，从而增强了其细粒度的理解能力，并减少了幻觉现象的发生。
上图展示了 Ross 的 high-level idea。不同于传统的多模态大模型只利用了右半部分的 text supervision，Ross 引入了左半部分的 visual supervision。
在这个过程中，自然图像的空间冗余性，难以为 LLM 直接提供有意义的监督信号。为此，我们系统性地研究了（1）重建目标（2）重建损失，最终得到了一个巧妙的解决方案：采用去噪目标来重构隐特征，如下图所示。
Experiments
In-Depth Analysis
绝对的数字并不是最关键的，我们更应该关注为什么 Ross 这类视觉监督能 work。我们得出了以下的结论：
引入视觉监督能带来更高的 attention values，多模态大模型更加看图了：
引入视觉监督能带来更合理的 attention map，多模态大模型更能关注到正确的区域：
引入视觉监督能让模型的特征包含足够的细粒度信息，把 frozen Ross-7B 的 feature 作为 condition，仅将 denoiser 在 ImageNet-1K 上 fine-tune 5 个 epoch，就能重建出图！
其中，最后一点是我们认为最有趣的发现，该结果表明，image –> SigLIP –> Qwen2 之后得到的特征，通过 Ross 这样的训练后，竟然还能被映射回原始的 RGB pixel space。这说明 Ross 对于图像信息的压缩较少，保留了细粒度理解所需要的细节信息。
Discussion and Future Work
我们认为 Ross 的成功，是多模态大模型的 MAE 时刻，如何针对多模态大模型设计更好的 visual pre-text task 将是后续研究的重点，LMM 的范式不应该只是 text 端的 next-token-prediction！
当然，Ross 还有很多非常 straightforward 的拓展，例如拓展至生成领域，真正做到生成帮助理解。
（文：PaperWeekly）