51-12 多模态论文串讲—BLIP 论文精读

视觉语言预训练VLP模型最近在各种多模态下游任务上获得了巨大的成功，目前还有两个主要局限性:

(1) 模型角度: 大多数方法要么采用encoder模型，要么采用encoder-decoder模型。然而，基于编码器的模型不太容易直接转换到文本生成任务（如图像字幕），而编码器-解码器模型尚未成功用于图像文本检索任务。

(2) 数据角度: 如CLIP、ALBEF等从web上收集到的图文对上进行预训练，目前用有噪声的网络文本训练效果是次优的。

为此，作者提出了BLIP: 引导语言图像预训练，以实现统一的视觉语言理解和生成。BLIP是一个新的VLP框架，与现有方法相比，它可以实现更广泛的下游任务。它分别从模型和数据角度有两个贡献:

(1) 多模态编码器-解码器混合（MED）：一种用于有效多任务预训练和灵活迁移学习的新模型架构。MED可以作为单模态编码器、基于图像的文本编码器或基于图像的文本解码器工作。该模型与三个视觉语言目标联合预训练：图像文本对比学习、图像文本匹配和图像条件语言建模。

(2) CapFilter：一种新的数据集增强方法，用于从噪声图像-文本对中学习。作者将预先训练的MED分为两个模块: 一个Captioner，用于生成给定web图像匹配的文本，以及一个Filter，用于从原始web文本和合成文本中删除嘈杂的文本。

BLIP，用这个Capfilter去生成更多更好的这个数据，然后给别的模型做训练用。你可以拿这个数据去训练VLMo，训练CoCA，训练BEiT3，去训练各种各样的多模的模型，因为它的目的，就是生成更好的数据。BLIP未来是一个非常通用的工具。

大家好，我们今天就接着上次多模态串讲，来说一说最近使用transformer encoder和decoder的一些方法。我们要过的第一篇论文叫做BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation。题目中，有两个关键词，一个就是bootstrapping，另一个就是unified，也就他们这篇文章的两个贡献点。第一个bootstrapping，其实是从数据集角度出发的，他是说，如果你有一个从网页上爬下来的，很嘈杂的数据集。这时候，你先用它去训练一个模型，接下来，你再通过一些方法，去得到一些更干净的数据，然后再用这些更干净的数据，能不能串出更好的模型。那第二个贡献点，其实就从后面来看就非常明了，也就是这两个方向，一个是understanding，也就是Image Text Retrieval，方向，即VQA，VR，VE这些。还有就是Generation这种生成任务，譬如这些Image Captioning图像生成字幕这种任务。作者团队，全部来自于salesforce research，是我们上次讲过ALBEF那篇论文的原班人马。我们一会儿也可以看到，这篇论文它的模型，也有很多ALBEF的影子，而且它里面也用了很多ALBEF的训练技巧。

那接下来，我们直接进入引言部分，看看这篇文章的研究动机到底是什么。BLIP的引言，写的非常清晰，他上来就告诉你，我的研究动机，有两个部分，一个是从这个模型角度出发，一个是从数据角度出发。从模型上，作者说，最近的一些方法，他要么，就是用了Transformer encoder的一些模型，这里举的这个CLIP，还有他们自己的ALBEF。另外一条路，就是用了这种编码器解码器，Encoder，Decoder的结构，比如说后面这个，就是SimVLM。虽然说方法都有，但是作者这里说这种encoder only的模型，它没法很直接的用到这种text generation的任务去，比如说这是图像生成字幕。因为它只有编码器，没有解码器，那它用什么去生成？当然也不是完全不行，但就是说不够直接肯定你要杂七杂八的再加一些模块，才能让他去做这种generation的任务。那对于encoder，decoder模型来说，它虽然有了decoder，它虽然可以去做这种生成的任务。但是反过来，因为没有一个统一的框架，所以说它又不能直接的被用来做这种image text retrieval的任务。那我们读到这儿，其实发现，作者这里这个研究动机，跟我们上次讲的那个VLMo是完全一样的。都是说现有的框架，A可以干什么，不能干什么，B可以干什么不能干什么，但是这两条方向，都不能一个人把所有的活都干了。所以如何能提出一个unified，一个统一的框架。用一个模型，把所有的任务都解决，那该多好。那接下来，我们很快就可以看到，其实BLIP这篇论文，就是利用了很多VLMo的想法，把他的模型，设计成了一个很灵活的框架。从而构造了这么一个unified framework。那另外一个研究动机，就是说数据层面。作者说，目前，这是表现出色的这些方法，比如说clip。他们都是在大规模的，这种上爬下的非常noisy的数据集上，也就是这种上去预训练模型的。虽然说当你有足够多足够大的数据集的时候，它能够弥补一些，这些嘈杂数据集带来的影响，也就是说，你通过这个把这个数据集变大，你还是能够得到非常好的这个性能的提升的。但是，BLIP这篇论文就告诉你，使用这种noisy的数据集区域训练，还是不好的，它是一个sub optimal，不是最优解。那如何能够有效的去clean这个nosiy的data set，如何能够让模型更好的去利用数据的这个图像文本配对信息？在这篇论文里，作者就提出了这个captioner和filter这么一个module。Captioner的作用，就是说我给定任意一张图片，我就用这个captioner，去生成一些这个字幕。这样，我就会得到大量的这个合成数据synthetic data。然后同时，我再去训练这么一个filter model，它的作用，就是把那些图像和文本不匹配的对，都从这个数据集里删掉。

比如说在这个例子里，这就是一个巧克力蛋糕吧，那原来从网上直接扒下的这个图像文本里的文本？写的是blue sky bakery in sunset park。就是说一家位于这个日落公园，叫蓝天的蛋糕店，那我们可以很明显的看出来，这个图文，其实是完全不匹配的。那我们上次也提过，之所以他这个文本是这样，其实是因为有利于这个搜索引擎去搜索，因为大家看到这个蛋糕的图片之后，更想做的，是去知道这家蛋糕店在哪儿，我怎么能去买到这家蛋糕店。这样，搜索引擎才能收广告挣钱，这个蛋糕店的店主，也能得到更多的客流量。所以大部分你爬下来的那些数据集，不论你爬了几百万，几千万，上亿的图片文本，对里面大部分，都是这种不匹配的，Noisy的文本对。那我们这个时候可以看到，作者训练的这个captainer这个模型，它其实可以生成非常非常有描述性的这个文本。那所以在接下来，他们训练的这个filter模型来看，他们就会选择这个图像文本对去进行模型的训练，而不用原来的那个真实的图形文本去进行训练。

那快速过完了引言中的研究动机，接下来，我们废话不多说，直接来看文章的图二，看一下，整体的这个模型结构。

那在看图二之前，我想再回顾一下上一期讲的两个方法。因为之前我们说过，ALBEF提出，就是ViLT在和CLIP一系列工作之前的这个经验总结上得到。那我们今天要讲的这个BLIP，是不是也能用之前的经验总结而得到？那答案，是肯定的。

我们首先来看ALBEF的模型，分成三个结构，一个是这个视觉编码器，一个是文本编码器，还有一个是多模态编码器。

对于图像这端来说，就是一个图像，进入这个encoder，它一共有N层。然后一个文本，进入这个文本的编码器，它有L层。然后在得到对应的这个图像文本特征之后，他先做一个ITC这个对比学习的loss，去把图像和文本分别的这个特征好。然后，文本特征，继续进入这个self attention layer去学，然后图像特征，通过一个cross attention layer进来，然后文本特征去进行融合。然后经历了N-L层的这个多模态的编码器之后，最后得到了多模态的那个特征。然后最后，用这个多模态的特征去做这个image text matching任务，从而去训练更好的模型。

那为什么文本这端，要把一个N层的transform encoder硬生生的劈成L层和N-L层？至于作者，还想大概维持这个计算量不变，就是跟clip一样，左边一个12层的，右边也是一个12层的。他不想增加更多过量的这个多模态融合这部分的计算量。但是，多模态这一部分又特别的重要，然后相对而言，文本这端不那么重要，所以他就把这边12层的计算量，给分成了两部分。

但是同样的问题，VLMo是怎么解决的？VLMo觉得，你这样劈来劈去太麻烦了，而且也不够灵活。那我们现在来设计一个这个MoE这种网络，让它变得极其的灵活，就是说我只有一个网络。我的这个self attention层，全都是共享参数。我唯一根据模态不同而改变的地方，就是这个Feed Forward Netwrok FFN，我这个Feed Forward text，FF vision，FF modality。我用这个地方，去区别不同的modality，去训练不同的expert。这样，我就用统一的一个模型，就是在训练的时候是一个模型，但是我在做推理的时候，我可以根据不同的这个任务，去选择这个模型中的某一部分去做推理。而且这篇论文，用实验，大量的实验证明了这个self attention层，确实是可以共享参数的，它跟这个模态没什么关系。那大家一旦收到这个信号之后，肯定还是觉得VLMo这个结构更简单，至少直观上看起来更简单更优雅，所以说，结合了ALBEF和VLMo，作者就推出了BLIP这个模型。

我们先大体从粗略上来看一下。

这个模型，包含了四个部分。

一个，就是图像这边，它有一个完整的VIT的模型，一个N层的VIT模型，而且是非常标准的self attention，FFN。然后文本这边，它有三个模型。分别用来算三个不同的这个目标函数。这个，就跟VLMo已经非常像了，它根据你这个输入模态的不同，它根据你这个目标函数的不同，去选择一个大模型里不同的部分，去做这个模型的forward。那对于第一个文本模型来说，这里面它也是N层，而不像ALBEF里的L层了。它的目的，是根据你输入的文本，去做这么一个understanding，去做这么一个分类的任务，所以说当得到了这个文本特征之后，他就去跟这个视觉特征，去做ITC loss。那第二个文本模型，作者这里说，它叫image grounded text encoder，就是它是一个多模态的编码器。它这里，是借助了图像的信息，然后去完成一些多模态的任务，很显然那这个就是我们之前要做这个ITM loss。那这个时候其实我们发现，如果你把第3部分，直接放到图上面，其实它不就是ALBEF的网络结构吗。所以如果暂时我们先不看第三个这个文本编码器，其实左边这一部分，完完全全就是一个ALBEF。

但是他跟ALBEF有一点不同。就是他借鉴了VLMo，这个self attention层，是可以共享参数的。所以他就不需要把一个文本模型，P成两个部分去用了，他可以就用一个文本模型，但是，共享参数。所以这里我们也可以看到，作者说同样的颜色，代表同样的参数，就是共享参数的，它不是两个模型，那这里我们也可以看到，这个SA层，也是共享参数的。所以相当于，第一个文本编码器和第二个文本编码器，它基本就是一样的，它的这个SA和FF，全都是一致的，只不过第二个里头多了一个cross attention层，需要新去学习。那所以讲到这儿，也就回答了我们刚才的问题，我们确实可以通过看之前的方法，总结他们的经验，从而得到接下来的方法的这个大体的模型结构和创新点。

但是到这儿，我们会发现，目前的这个结构，它还是只能做这种VQA,VR,VE这种的任务，那怎么去做生成的任务，这个decoder在哪?

那有了VLMo这个想法之后，那一切就变得很简单了，对吧？如果你需要一个decoder，那就再加一个decoder不就完了吗？所以你就在后面，再加这么一个文本的decoder。但是，对于decoder来说，它的这个输入输出的形式，和尤其是第一层的这个self attention，是不太一样的。因为这个时候，他不能看到完整的这个句子，因为如果他已经看到完整的句子，他再去生成这个句子，那他肯定能100%生成出来这个句子，那就训练就没有难度了。那他必须像训练GPT模型一样，他把后面的这些句子，都挡住，都mask掉，他只通过前面的这些信息，去推测后面的句子到底长什么样，这才叫text generation。所以说，它的第一层用的是causal self attention，也就是因果关系的这个自注意力。就是你要去做一些这个因果推理，你要通过前面的这些文本，去推测后面的文本到底是什么。那因为这里，它做的是这种causal self attention，跟前面的这个self attention就不样，所以我们可以看到它这色是不一样，就是它俩是没办法共享数的。作者后面也做了实验，就是如果你硬要让他们去共享这个参数，这个性能是会下降。因为他确实是在做不同的任务。但是，除了第一层的这个自注意力之外，后面的这个cross attention和feed forward，它就跟前面，全都是共享参数的。所以说名义上，它新添加第三个这个text decoder，但事实上，参数量并没有增加多少，只是增加了一些causal的self attention。

最后的目标函数，就是用的GPT系的这种language model。也就是说给定一些词，还去预测剩下的那些词，这个叫language model。那对于MLM，也就是ALBEF和VLMo之前用的那个目标函数，那个是属于完形填空，就给一个句子，中间词扣掉，我去预测中间这个词。

所以说，LM和MLM其实是不一样的。

那在这篇论文里，因为作者要去做这种生成式的任务，所以更好的一个选择，是使用language model的目标函数。

那说到这儿，文章的模型部分，就基本已经说完了。

再来快速总结一下，就是说，对于图像，它就有一个VIT。但是对于文本来说，它对应了三个模型，分别是一个标准的这个text encoder，然后还有就是image grounded text encoder和image grounded text decoder。无论是encoder，还是decoder，模型的差距还是比较小的。譬如 image grounded text encoder，有一个新的cross attention。对image grounded text decoder呢，有一个causal的self attention。剩下的部分，其实基本都是共享参数的。然后就跟VLMo一样，当我们选择头两个模型的时候，我们就去算这个ITC loss。当我们选择第一个和第二个文本模型的时候，我们就去算ITM loss。

当我们选择第一个模型和第三个文本模型的时候，我们就去算这个LM loss。所以从目标函数角度来说，BLIP也是三个目标函数，头两个，跟ALBEF和VLMo都是一样的，只不过第三个从MLM换成LM。所以说，VLMo，BLIP推广的这一系列unified framework。虽然它不是真正意义上的，但确实是非常灵活，而且能把大部分的任务都融合到一个模型中来,大大加速了这个多模态学习的进展。

当然，文章中还有一些细节。比如对于三个文本模型来说，他们对应的这个token就不一样，第一个文本模型，就用的是cls token，第二个用的是encode token，第三个用的是decode token。

还有，就跟我们上次说的一样，这些模型都很难训练，训练的代价非常高，因为在做每一次这个trainning iteration的时候，图像端只需要做一次Forward，但其实文本端，在这里要做三次。要分别通过这三个模型，去得到对应的那个特征，然后去算对应的目标函数，所以还是非常费时间的。

另外，因为BLIP就是ALBEF的原班人马，所以说里面用到了很多ALBEF的技巧。譬如算ITC的时候，也用了momentum encoder动态蒸馏去做更好的knowledge distillation，也去做更好的这个数据的清理。同时，在算ITM loss的时候，也像ALBEF一样，利用ITC算的相似性去做Hard Negative mining，从而每次都用那个最难的负样本去算这个ITM，从而增加这个loss的有效性。总之，这就是BLIP的模型结构。文章中作者把这叫MED就是mixture of encoder and decoder，就是把编码和码混到一起了。那其实这个命名方式，跟VLMo也很像，VLMo提出的那个transformer block叫MoME，就是multimodality mixture of expert。BLIP不过就是把mixture of expert换成了mixture of encoder and decoder，但意思，都是一个意思。

那说完了模结构MED，下们讨论第二个贡献，也就是最重要的那个贡献CapFilter module。

他的出发点，或者研究动机，就是说，假如说你有很多这个数据集，这个D里面{(Iw,Tw)}+{(Ih,Th)}，可能有一些网上爬下的数据集，可能有一些手工标注的数据集。当然了，像CLIP模型的训练，他就没有用这个手工标注的数据集，就只用从网上爬下来的那400m。但是有的时候，反正手工标注的数据集，比如说coco也是存在的，那不用白不用，所以有的人也会用。对所有的现有的这个数据D来说，它最大的问题就是说从网页上爬上的数据集，这个图片文本论不匹配，也就是说这里的这个Tw不好，所以作者这里用红色来表示。这个coco，手工标注的，他认为这个文本就一定匹配，所以用绿色来表示。然后作者这里的论点就是说，如果你用这种noisy的数据集，去预训练一个这个模型，它的效果就不是最好。

那如果我们想清理一下这个数据集，从而去达到这个最优解，该怎么做？

那很自然的，我就需要训练一个模型，这个模型，最好是能给我一些像图像文本之间这个相似度。那相似度高的，就说明匹配，相似度不高的，可能就不匹配，所以这也就是filter这个模块的由来。至于filter是怎么训练的？作者就是把已经提前预训练好的这个MED，也就是把已经训练好的这个BLIP模型拿出来。然后把那个图像模型和两个文本模型，就是分别做ITC，ITM模型拿来，然后又在coco数据集上，就是在干净的数据集上又去做了一些很快的微调。然后先训练出来的这个，就是微调过后的这个MED，就叫做这个Filter了。那接下来，他只要用这个模型，去算一下这个图像文本的这个相似度，尤其是这个image text match的这个分数，那他就知道到底这个像和文本是不是一个match了，那不是match，自然他就可以把它拿掉。所以通过这个filter，作者就把原始这个爬下来的noisy的It的文本，比如说这个红色的Tw，就变成了这个稍微一点这个图像文本，就是这个绿色的Tw了。

那其实到这里这个任务其实就已经完成了，对吧，那为什么作者还要再去加一个Captioner。

主要原因，我觉得还是因为作者在训练出来那个decoder之后，他发现，这个BLIP模型训练好的decoder真的是非常的强。它有时候生成的那个句子比原始的那个图像文本段要好很多。就即使原来的那个图像文本段是一个match，它俩是匹配的，但是我新生成的这个文本，更匹配，它的质量更高。所以作者就想说，那我就试试看对吧，那我用生成的这些文本，去充当新的训练数据集，会不会得到更好的模型？那其实这里，作者也是在coco这个数据集{(Ih,Th)}上，去把已经训练好的这个image-grounded text decoder，又去微调了一下，然后就得到了这个Captioner。e然后给定任意一张从网上爬下来的图片，然后他就用这个captioner，去给这个图片去生成新的字幕，也就是红色的这里的{I我，Ts}。当然Ts的质量，可高可低，这个完全是由模型来决定，有的时候就描述的特别好，那有的时候可能就是非常差，这个可能甚至都不make sense，所以作者这里，还是用红色去表示的，因为是synthetic data。那最后，通过captioner和filter，我们得到的数据集，就从原来的这个D{(Iw,Tw)}+{(Ih,Th)}，就变成了现在这个D{(Iw,Tw)}+{(Iw,Ts)}+{(Ih,Th)}，我们就会发现多了一项。就原来的那个CC12m，假如说我们用CC12m来做例子的话。这个{(Iw,Tw)}，就是Filter过的CC12m，还是原来从网上爬下来的文本对，只不过filter了，变少了。那第二个这里的{(Iw,Ts)}，就是CC12m合成的新生的这些像文本。然后接下来，如果你使用这个手工标注的，比如coco数据集，{(Ih,Th)}，总之，你的数据集不仅变得更大了，而且质量变得更高了。

那这个时候，你再拿新的这个D，然后返回来，再去预训练一个BLIP模型。最后作者发现了BLIP模型的提升非常显著，而且还有很多有趣的应用。这个就是本文提出的第二个创新点，这个capfilter模型，从而做到了数据集上的这个bootstrapping。

那接下来，我们先看几张图，形象的了解一下这个capfilter模型到底有多强大。作者给了三个例子，上面的Tw，就是直接从网页端下载下来的那个文本，下面的这个Ts，就是他们的capfilter生成的文本。红色的，就代表被filter 掉的那些文本，绿色就代表filter以后保留下来的那个文本，也就是说跟图片更匹配的那个文本。

那现在我们来看一下第一个例子，看着像一个自然风光。

那原来从网上爬下来的，就是说在我家旁边，有一个桥上，可能照出来的这张图片。确实，也不能说不对，但是如果你看底下这个生成的这个句子，他说，在日落的时候，有一群鸟飞过了一个湖面，这个描述的简直是太精确了，把这个日落，湖和鸟全都包含在里面了，那如果你用这个图像文本段去训练模型，肯定训练出来的模型效果很好。因为语义是完全match上的。那我们再来看第三个例子，从网上爬下来的这个，说这是一个1180年建立的这么一个城堡，它是取代了九世纪的时候一个用木头做的一个城堡。但是这次的效果，就差强人意，也是对的，但是，他说这是一个很大的一个楼，上面有很多很多的窗户。那它就不够具体了，因为这里，这些有可能就是那些门洞，拱门，或而且整个，这就是一个castle，它不是一个大的building。所以这次，BLIP训练出来的这个filter就选择了上面，就原始的这个图片文本对。所以这里，我们不仅可以体会到，这个caption的强大之处，就你给定什么样的一张图，我都能给你生成比较reasonable的这个文本，同时，我们也能体会到这个filter的强大之处，就是我能够很准确的，从这个原始的文本和新生成的文本里去挑出来，哪个跟这个图像是更匹配的。所以我们看完这几个例子之后，我们就应该知道，Capfilter真的是把这个数据集清理的相当好了。

那这个时候我们再看上面这个图表，看到capfilter带来这个提升之后，我们也就不会再惊讶了。那接下来，我们就来看一下这个表一，就是一些主要的消融实验和主要的一些结果。

可以看到数据集大，模型越大，效果就越好。

那接下来，我们来看一下这篇文章独有的，这个caption filter模式，到底带来什么样的提升。

那这个C就代表caption，f就代表用了filter。我们第一个可以观察到的现象，就是说如果都不用，那这个结果肯定是最差的。然后不论是用了filter，还是用了这个captioner，效果都会有提升，而且比较神奇的，是用了captioner以后，这个提升是更加显著的，也就意味着说，这个captioner带来的这个data diversity，这种多样性是会更让这个模型受益的。

因为尤其是对大模型，或者大数据集的训练来说，你偶尔这个数据集有点noise，其实无所谓，模型都是能够handle的。但是，因为模型参数量太大，所以它非常非常的data hungry，它需要大量大量的数据，所以这个时候，你只要能生成更多更好的数据，它往往就能够受益。那最后，这个captioner和filter同时用，效果就达到最好了。当然这个，只是一个消融实验。

但是这个表格里，最最有意思，就是这两行B，B和L，L，都是打了这个对号，也就是说它都用了caption和filter。那为什么一个叫base，一个叫large。是因为，如果你回想我们这个bootstrapping的过程，它其实一个分阶段的训练，就跟VLMo一样分阶段，BLIP其实也是分阶段。他先是用嘈杂的数据集预训练的一个模型，这是训练stage one。然后这个时候，他用coco去fine tune captioner和filter，然后把数据集重新处理一遍，得到了一个新的更大的质量更好的数据集，这是stage two，然后第三个stage，就是他用这个新的数据集去又pre-train了一个blip。那这几个步骤，这三个stage，其实都是互不相干的，其实是可以分开训练或者分开使用的。所以作者这里的意思就是说，即使我的这个模型是VIT base，就我的模型可以很小，但是我在第二阶段生成这个新的数据集的时候，我可以用更大的这个模型，用更大的那个MED，更大的cap+filter模式，去生成更好质量更高的这个数据集。我并不一定说我这儿用的模型是base，我那个capfilter模型就一定要用base。生成数据这一步，完全是一个额外的步骤，完全是另外一步pseudo-label的过程，理论上我也可以用任何一种方式去生成这种pseudo-label。这个就很有意思，也就是说，理论上，你是可以拿训练出来的这个BLIP，这个capfilter去生成更好的这个数据，然后去给别的模型做训练用，你可以拿这个数据去训练VLMo，你也可以拿它去训练CoCA，训练BEiT3，去训练各种各样的多模的模型，因为它的目的，就是生成更好的数据。

所以BLIP是可以做一个非常通用的工具。

多模态论文串讲·下【论文精读·49】_哔哩哔哩_bilibili

https://arxiv.org/pdf/2201.12086.pdf