通用多模态预训练方法OFA

OFA是阿里达摩院发表在ICML2022上有关多模态预训练的工作，论文链接：OFA: Unifying Architectures, Tasks, and Modalities Through a Simple Sequence-to-Sequence Learning Framework。OFA是通用多模态预训练模型，使用简单的seq2seq的学习框架统一模态（跨模态、视觉、语言等模态）和任务（如图片生成、视觉定位、图片描述、图片分类、文本生成等），OFA通过任务指令即可执行pretrain/finetune，无需引入额外设计任务layer或head，OFA在一系列多模态任务上达到了sota结果。

Once For All(OFA)

I/O & Architecture

多模态输入大致分为：图片、文本、位置(坐标)。OFA针对这些不同的输入形式同一成序列形式。对应处理方法如下：

• 图片输入：使用类似SimVLM和CoAtNet的方式，直接使用ResNet模块将图片卷积成多个patch特征；
• 文本输入：使用byte-pair encoding (BPE)进行subword级别分词，然后进行embed；
• 位置(坐标)：针对目标框类型的输入，把位置编码成token，每个检测框用四个token表示，参考pix2seq做法；
• 统一的词表：语言和视觉token被统一起来，包括subword、图像token和位置token。

Tasks & Modalities

OFA将单模态/多模态的理解/生成任务统一成seq2seq任务，每个任务通过任务指令进行区分：

• visual grounding (VG)：“Which region does the text $x_t$ describe?” $x_t$ 目标区域的文本描述；
• grounded captioning(GC)：VG的反向任务，“What does the region describe? region: $$ ”.
• image-text matching (ITM)：“Does the image describe $x_t$ ?” $x_t$ 是图片的描述；
• image captioning (IC)：“What does the image describe?”
• visual question answering (VQA)：使用image和question作为输入，学习正确的答案；
• Detection：“What are the objects in the image?”
• image infilling：“What is the image in the middle part?”

在附录中，列举了针对不同任务数据集下的指令，如下表所示：

Experiments

OFA在image caption、VQA、visual entailment 和 referring expression comprehension 4个跨模态任务中都取得了SOTA。

在image-to-text generation任务中，OFA 也超过了DALLE, CogView和微软的NÜWA模型。

Conclusion

OFA在整体工作上并没有提出新的框架，也没有给人一种眼前一亮的感觉，但是就是抵不住效果好，而且将多种模态\任务都统一成seq2seq任务，做的实验非常solid，而且还开源了代码，很赞。