全面超越ViT，美團、浙大等提出視覺任務統一架構VisionLLAMA

半年多来，Meta 开源的 LLaMA 架构在 LLM 中经受了考验并大获成功（训练稳定、容易做 scaling）。

沿袭 ViT 的研究思路，我们能否借助创新性的 LLaMA 架构，真正实现语言和图像的架构统一？

在这一命题上，最近的一项研究 VisionLLaMA 取得了进展。VisionLLaMA 在图像生成（包含 Sora 依赖的底层的 DIT）和理解（分类、分割、检测、自监督）等多个主流任务上相较于原 ViT 类方法提升显著。

• 论文标题：VisionLLaMA: A Unified LLaMA Interface for Vision Tasks
• 论文地址：https://arxiv.org/abs/2403.00522
• 代码地址：https://github.com/Meituan-AutoML/VisionLLaMA

该研究尝试统一图像和语言架构，可利用LLM社区在LLaMA上的训练成果，包括稳定有效的扩展和部署。

研究背景

大语言模型是当前学术界研究的热点，其中，LLaMA 是最具影响力和代表性的工作之一，许多最新的研究工作都基于该架构开展，各种应用的解决方案大都建立在该系列的开源模型之上。在多模态模型的进展中，其中许多方法都依赖 LLaMA 进行文本处理、并依赖类似 CLIP 的视觉 transformer 进行视觉感知。同时，许多工作致力于加快 LLaMA 的推理速度、降低 LLaMA 的存储成本。总而言之，LLaMA 现在是事实上最通用、最重要的大语言模型架构。

LLaMA 架构的成功使得本文作者提出了一个简单而有趣的设想：该架构是否可以在视觉模态上同样成功？如果答案是肯定的，那么视觉模型和语言模型都可以使用相同的统一架构，并从为 LLaMA 设计的各种动态部署技术中受益。然而，这是一个复杂的问题，因为这两种模态之间存在一些明显的差异。

文本序列和视觉任务在处理数据时存在显著的差异。一方面，文本序列是一维数据，而视觉任务需要处理更复杂的二维或多维数据。另一方面，针对视觉任务，通常需要使用金字塔结构的骨干网络来提升性能，而LLaMA编码器却是相对简单的结构。此外，有效处理不同分辨率的图像和视频输入也是一个挑战。这些差异需要在文本和视觉领域的交叉研究中得到充分考虑，以找到更有效的解决方案。

本文的目的是解决这些挑战，并缩小不同模态之间的架构差距，提出了适应视觉任务的 LLaMA 架构。通过该架构，可以解决与模态差异相关的问题，并统一处理视觉和语言数据，从而实现更好的结果。

本文主要贡献如下：

1. 本文提出 VisionLLaMA，一种类似于 LLaMA 的视觉 transformer 架构，以减少语言和视觉之间的架构差异。

2. 本文研究了使 VisionLLaMA 适应常见视觉任务的方法，包括图像理解和创建（图 1）。本文研究了两种广为人知的视觉架构方案（常规结构和金字塔结构），并评估它们在监督和自监督学习场景下的性能。此外，本文还提出了 AS2DRoPE（即自动缩放 2D RoPE），它将旋转位置编码从 1D 扩展到 2D，并利用插值缩放来适应任意分辨率。

3. 在精确的评估下，VisionLLaMA 在图像生成、分类、语义分割和目标检测等许多代表性任务中明显优于当前主流且被精确微调过的视觉 transformer。大量实验表明，VisionLLaMA 与现有视觉 transformer 相比具有更快的收敛速度和更好的性能。

VisionLLaMA 整體架構設計

#常規Transformer

############################################################################################# # #######本文提出的常規VisionLLaMA 遵循ViT 的流程，並且盡可能保留LLaMA 的架構設計。對於一張影像，首先將其變換並展平為一個序列，然後在序列的開頭新增一個類別 token，整個序列透過 L 個 VisionLLaMA block 進行處理。與 ViT 不同，VisionLLaMA 不會為輸入序列新增位置編碼，因為 VisionLLaMA 的 block 包含位置編碼。具體來說，該 block 與標準的 ViT block 有兩點不同：具有位置編碼（RoPE）的自註意力和 SwiGLU 活化。本文仍然使用 LayerNorm 而不是 RMSNorm，因為本文透過實驗發現前者表現較好（參見表 11g）。 block 的結構如圖 2 (a) 所示。本文發現在視覺任務中直接應用1D RoPE 無法很好地推廣到不同的解析度上，因此將其擴展到二維形式：################### #####金字塔結構Transformer#####################將VisionLLaMA 套用到類似Swin 的基於視窗的transformer 非常簡單，因此本文選擇在更強的在基線Twins 上探索如何建立強大的金字塔結構transformer。 Twins 的原始架構利用了條件位置編碼、以局部 - 全局注意力的形式進行交錯的局部 - 全局資訊交換。這些組件在各種 transformer 中十分常見，這意味著在各類 transformer 變體中應用 VisionLLaMA 並不困難。 ############本文的目標不是發明一種全新金字塔結構的視覺transformer ，而是如何在現有設計的基礎上調整VisionLLaMA 的基本設計，因此本文遵循對架構和超參數進行最少修改的原則。遵循ViT 的命名方式，兩個連續的block 可以寫成：######################其中LSA 是群組內的局部自註意力操作，GSA 是透過與每個子視窗中的代表性鍵值互動而進行的全局子採樣的注意力。本文移除了金字塔結構 VisionLLaMA 中的條件位置編碼，因為 AS2DRoPE 中已經包含了位置資訊。此外，還移除了類別 token，並在分類頭之前使用 GAP（全域平均池化），該設定下的 block 結構如圖 2 (b) 所示。 ############超越序列長度限制的訓練或推理#############將一維RoPE 拓展到二維：對不同的輸入解析度進行處理是視覺任務中的常見需求。卷積神經網路使用滑動視窗機制來處理可變長度。與之相比，大多數視覺 transformer 應用局部視窗操作或插值，例如 DeiT 在不同解析度上訓練時採用雙三次插值；CPVT 使用基於卷積的位置編碼。本文中評估了 1D RoPE 的性能，發現其在 224×224 分辨率上擁有最高的精度，然而當分辨率上升到 448×448 時，精度急劇下降甚至為 0。因此，本文將一維 RoPE 擴展到二維。對於多頭自註意力機制，二維 RoPE 在不同頭之間共用。 ############位置插值有助於二維RoPE 更好地泛化：受一些使用插值來擴展LLaMA 的上下文視窗的工作啟發，在更高解析度的參與下，VisionLLaMA採用類似方式擴充二維上下文視窗。與具有擴大的固定上下文長度的語言任務不同，目標偵測等視覺任務通常在不同的迭代中處理不同的取樣解析度。本文使用 224×224 的輸入解析度對小模型進行訓練，並在不重新訓練的情況下評估更大解析度的效能，指引本文能夠更好的應用內插值或外差值策略。經過實驗，本文選擇應用基於 「錨點解析度」 的自動縮放插值（AS2DRoPE）。對H × H 的方形影像和B × B 的錨點解析度進行處理的計算方式如下：#####################這種計算方式效率高並且不會引入額外的成本。如果訓練解析度保持不變，AS2DRoPE 會退化為 2 維 RoPE。 ######

由於需要將位置資訊加入匯總的鍵值中，本文對於金字塔結構設定下的 GSA 進行了特殊處理。這些子採樣的鍵值是透過特徵圖上的抽像產生的。本文使用內核大小為 k×k 且步長為 k 的捲積。如圖 3 所示，產生的鍵值的座標可以表示為取樣特徵的平均值。

實驗結果

本文全面評估了 VisionLLaMA 在影像生成、分類、分割和偵測等任務上的有效性。預設情況下，本文所有模型均在 8 個 NVIDIA Tesla A100 GPU 上進行訓練。

映像產生

#基於DiT 框架的影像生成：本文選擇在DiT 框架下應用VisionLLaMA，因為DiT 是使用視覺Transformer 和DDPM 進行圖像生成的代表性工作。本文以 VisionLLaMA 取代了 DiT 原來的視覺 transformer，同時保持其他元件與超參數不變。該實驗證明了 VisionLLaMA 在影像生成任務上的通用性。與 DiT 相同，本文設定 DDPM 的 sample steps 為 250，實驗結果如表 1 所示。與大多數方法保持一致，FID 被視為主要指標，並在其他次要指標上例如 sFID、Precision/Recall、Inception Score 進行評估。結果表明，VisionLLaMA 在各種模型尺寸上都顯著優於 DiT。本文也將 XL 模型的訓練步數擴展到 2352k，以評估本文的模型是否具有更快的收斂優勢，或在更長的訓練週期設定下仍然表現得更好。 DiT-LLaMA-XL/2 的 FID 比 DiT-XL/2 低 0.83，顯示 VisionLLaMA 不僅具有更好的運算效率，而且比 DiT 具有更高的效能。圖 1 中展示了使用 XL 模型產生的一些範例。

基於 SiT 框架的影像生成：SiT 框架顯著提高了使用視覺 transformer 生成影像的效能。本文以 VisionLLaMA 取代 SiT 中的視覺 transformer，以評估更好的模型架構帶來的效益，本文稱為 SiT-LLaMA。實驗保留了 SiT 中其餘所有設定與超參數，所有模型都使用相同數量的步驟進行訓練，在所有實驗中都使用線性插值（linear interpolant）和快速模型（velocity model）。為了進行公平比較，本文也重新運行已發布的程式碼，並使用 250 steps 的 SDE 採樣器（Euler）對 50k 256×256 影像進行取樣，結果如表 2 所示。 SiT-LLaMA 在各種容量等級的模型中均優於 SiT。與 SiT-L/2 相比，SiT-LLaMA-L/2 降低了 5.0 FID，其幅度大於新框架帶來的提升（4.0 FID）。本文也在表 13 中展示了更有效率的 ODE 採樣器 (dopri5)，與本文方法的效能差距仍然存在。可以得出與 SiT 論文中的類似的結論：SDE 比其對應的 ODE 具有更好的性能。

ImageNet 上的圖片分類

• 全監督訓練

本節重點在於模型在ImageNet-1K 資料集上的全監督訓練，排除其他資料集或蒸餾技巧的影響，所有模型均使用ImageNet-1K 訓練集進行訓練，並在表3 中展示了在驗證集上的準確度結果。

#

常規視覺 Transformer 的比較：DeiT3 是當前最先進的常規視覺 transformer，它提出了一種特殊的數據增強並執行廣泛的超參數搜尋以提高性能。 DeiT3 對超參數敏感且容易出現過擬合，用 GAP（全域平均池化）取代類別 token 會導致 DeiT3-Large 模型在經過 800 個 epoch 訓練後準確率下降 0.7%。因此，本文在常規 transformer 中使用類別 token 而不是 GAP。結果如表 3 所示，其中 VisionLLaMA 取得了與 DeiT3 相當的 top-1 精度。單一解析度上的準確性並不能提供全面的比較，本文也評估了不同影像解析度的效能，結果如表 4 所示。對於 DeiT3，本文使用雙三次插值來進行可學習的位置編碼。儘管這兩個模型在224×224 分辨率下具有相當的性能，但當分辨率增加時，差距會擴大，這意味著本文的方法在不同分辨率下具有更好的泛化能力，這對於目標檢測等許多下游任務來說至關重要。

金字塔結構的視覺 transformer 比較：本文使用與 Twins-SVT 相同的架構，詳細配置列於表 17。本文移除了條件位置編碼，因為 VisionLLaMA 已經包含一種旋轉位置編碼。因此，VisionLLaMA 是一種無卷積架構。本文沿用 Twins-SVT 中的包含超參數在內的所有設置，與 Twins-SVT 保持一致，本文不使用類別 token，而是應用 GAP。結果如表 3 所示，本文的方法在各個模型層級上都實現了與 Twins 相當的性能，並且始終優於 Swin。

• 自監督訓練

#本文使用ImageNet 資料集評估自監督視覺transformer 的兩種常見方法，同時將訓練資料限制為ImageNet-1K，移除了任何使用CLIP、DALLE 或蒸餾等可以提高效能的元件，本文的實作基於MMPretrain 框架，利用MAE 框架並使用VisionLLaMA 替換編碼器，同時保持其他元件不變。此對照實驗能夠評估本文方法的有效性。此外，本文使用與所比較方法相同的超參數設置，在這種設置下，與強大的基線相比依然實現了顯著的性能提升。

Full fine-tuning 設定：在目前設定下，模型首先使用預訓練的權重進行初始化，然後使用完全可訓練的參數進行額外的訓練。 VisionLLaMA-Base 在 ImageNet 上經過 800 個 epoch 的訓練，達到了 84.0% 的 top-1 準確率，比 ViT-Base 提高了 0.8%。本文的方法訓練速度比 SimMIM 快約 3 倍。本文也將訓練週期增加到 1600，以驗證 VisionLLaMA 能否在足夠的訓練資源下保持優勢。 VisionLLaMA-Base 在 MAE 變體中取得了新的 SOTA 結果，top-1 準確率達到 84.3%，比 ViT-Base 提高了 0.9%。考慮 full fine-tuning 具有效能飽和風險，本文方法的提升十分顯著。

Linear probing：最近的一項工作認為線性探測度量（linear probing metric）是對錶示性學習更可靠的評估。在目前設定下，模型由 SSL 階段的預訓練權重初始化。然後，在訓練過程中，除了分類器頭之外，整個骨幹網路都被凍結。結果如表 5 所示：在訓練成本為 800 個 epoch 的情況下，VisionLLaMA-Base 的表現優於 ViTBase-MAE 4.6%。它還超過了訓練了 1600 個 epoch 的 ViT-Base-MAE。當 VisionLLaMA 訓練 1600 個 epoch 時，VisionLLaMA-Base 達到了 71.7% 的 top1 準確率。本文方法也擴展到 VisionLLaMA-Large，相比 ViT-Large 提高了 3.6%。

ADE20K 資料集上的語意分割

• 全監督訓練

依照Swin 的設置，本文在ADE20K 資料集上使用語意分割來評估本文方法的有效性。為了進行公平比較，本文限制基準模型僅使用 ImageNet-1K 進行預訓練。本文使用 UperNet 框架，並以金字塔結構 VisionLLaMA 取代主幹網路。本文的實作是基於 MMSegmentation 框架。模型訓練步數設定為 160k，全域 batch size 為 16。結果如表 6 所示，在相近的 FLOP 下，本文的方法比 Swin 和 Twins 的效能高出 1.2% mIoU 以上。

• 自監督訓練

本文使用UperNet 框架在ADE20K 資料集上進行語意分割，以VisionLLaMA 取代ViT 主幹，同時保持其他元件和超參數不變。本文的實作是基於 MMSegmentation，結果如表 7 所示。對於 800 個 epoch 的預訓練組，VisionLLaMA-B 將 ViT-Base 顯著提升了 2.8% mIoU。本文方法也明顯優於其他一些改進，例如引入額外的訓練目標或特徵，這些方法會為訓練過程帶來額外的開銷並降低訓練速度。相比之下，VisionLLaMA 僅涉及基礎模型​​的替換，並且具有快速的訓練速度。本文進一步評估了 1600 個較長預訓練 epoch 的性能，VisionLLaMA-B 在 ADE20K 驗證集上實現了 50.2% mIoU，這使得 ViT-B 的性能提高了 2.1% mIoU。

COCO 資料集上的目標偵測

• 全監督訓練

本文評估了金字塔結構VisionLLaMA 在COCO 資料集上的目標偵測任務的效能。本文使用 Mask RCNN 框架並以金字塔結構 VisionLLaMA 取代主幹網絡，類似於 Swin 的設置，該金字塔結構 VisionLLaMA 在 ImageNet-1K 資料集上預訓練了 300 個 epoch。因此，本文的模型具有與 Twins 相同數量的參數和 FLOP。本實驗能夠用於驗證本文方法在目標偵測任務上的有效性。本文的實現是基於 MMDetection 框架，表 8 中展示了標準的 36 個 epoch 訓練週期 (3×) 的結果，本文的模型優於 Swin 和 Twins。具體來說，VisionLLaMA-B 比 Swin-S 高出 1.5% 的 box mAP 和 1.0% mask mAP。與更強的基線 Twins-B 相比，本文的方法具有在 box mAP 上高出 1.1% ，在 mask mAP 上高出 0.8% 的優勢。

• 自監督訓練

#本文應用基於ViTDet 框架的VisionLLaMA，該框架利用常規視覺transformer 來實現與對應金字塔結構視覺transformer 相當的性能。本文使用 Mask RCNN 偵測器，並用 VisionLLaMA-Base 模型取代 vit-Base 主幹網絡，該模型使用 MAE 預訓練 800 輪。原始的 ViTDet 收斂緩慢，需要專門的訓練策略，例如更長的訓練週期才能達到最佳表現。在訓練過程中，本文發現 VisionLLaMA 在 30 個 epoch 後達到了相似的性能，因此，本文直接應用標準的 3x 訓練策略。本文方法的訓練成本僅為基線的 36%。與所比較方法不同，本文方法不進行最佳超參數搜尋。結果如表 9 所示，VisionLLaMA 在 Box mAP 上優於 ViT-B 0.6%，在 mask mAP 上優於 ViT-B 0.8%。

消融實驗與討論

#本文預設選擇在ViT-Large 模型上進行消融實驗，因為本文觀察到該模型在多次運行中產生的變異數較小。

##################FFN 和 SwiGLU 的消融：本文以 SwiGLU 取代 FFN ，結果如表 11a 所示。由於明顯效能差距，本文選擇使用 SwiGLU 以避免對 LLaMA 架構引入額外的修改。 ############歸一化策略的消融：本文對 transformer 中兩種廣泛使用的歸一化方法 RMSNorm 和 LayerNorm 進行了比較，結果如表 11g 所示。後者俱有更好的最終性能，這表明重新居中不變性（re-centering invariance）在視覺任務中也很重要。本文也計算了每次迭代花費的平均時間用來衡量訓練速度，其中 LayerNorm 僅比 RMSNorm 慢 2%。因此，本文選擇 LayerNorm 而不是 RMSNorm 以獲得更均衡的效能。 ######

部分位置編碼：本文使用RoPE 調整全部channel 的比率，結果如表11b 所示，結果表明將比率設定在小閾值上即可獲得良好的性能，不同的設定之間沒有觀察到存在顯著的性能差異。因此，本文保留 LLaMA 中的預設設定。 

基礎頻率：本文將基礎頻率變更與比較，結果如表 11c 所示，結果表明，效能對於大範圍的頻率來說是穩健的。因此，本文保留 LLaMA 中的預設值以避免部署時的額外特殊處理。

每個注意力頭之間共享位置編碼：本文發現，在不同頭之間共享相同的PE（每個頭中的頻率從1 到10000 變化）比獨立的PE（所有通道中的頻率從1 到10000 變化）都好，結果如表11d 所示。

特徵抽象策略：本文在大參數規模的模型（-L）上比較了兩種常見的特徵提取策略：類別token 和GAP ，結果如表11e 所示，使用類別token 比GAP 更好，這與PEG [13] 中所得到的結論不同。然而，兩種方法的訓練設定截然不同。本文也使用 DeiT3-L 進行了額外的實驗，得到了類似的結論。本文進一步評估 「小型」（-S）和 「基礎」（-B）模型的效能。有趣的是，在小模型中觀察到了相反的結論，有理由懷疑DeiT3 中使用的較高丟棄路徑率（drop-path rate）使得諸如GAP 之類的無參數抽象方法（parameter-free abstraction）難以達到應有的效果。 

位置編碼策略：本文在金字塔結構 VisionLLaMA-S 上也評估了其他絕對位置編碼策略，例如可學習位置編碼 和 PEG。由於存在強大的基線，本文使用 “小” 模型，結果顯示在表 11f 中：可學習的 PE 不會提高性能，PEG 將基線從 81.6% 略微提高到 81.8%。基於三個原因，本文並沒有將 PEG 作為基本組成部分。首先，本文嘗試對 LLaMA 進行最小程度的修改。其次，本文的目標是為 ViT 等各種任務提出一種通用方法。對於像 MAE 這樣的屏蔽影像框架（masked image frameworks），PEG 增加訓練成本，並可能損害下游任務上的效能。原則上，可以在 MAE 框架下應用稀疏 PEG，但會引入部署不友善的算子。稀疏卷積是否與其密集版本一樣包含足夠的位置資訊仍然是一個未解決的問題。第三，無模態束縛的設計為進一步研究涵蓋文本和視覺之外的其他模態鋪平了道路。 

對輸入尺寸的敏感度：在未訓練的前提下，本文進一步比較了增大解析度和常用解析度的效能，結果如表 12 所示。這裡使用了金字塔結構 transformer，因為其在下游任務中比對應的非層次結構版本更受歡迎。 1D-RoPE 的性能因解析度變化而受到嚴重影響並不奇怪。 α = 2 的 NTK-Aware 插值實現了與 2D-RoPE 類似的性能，2D-RoPE 實際上是 NTKAware (α = 1)。 AS2DRoPE 展現了在較大解析度上的最佳效能。

討論

#收斂速度：對於影像生成，本文研究了不同訓練步數下的表現，分別在100k、200k、300k 和400k 次迭代時儲存權重來計算保真度指標。由於 SDE 明顯慢於 ODE，因此本文選擇使用 ODE 採樣器。表 10 的結果顯示 VisionLLaMA 在所有模型上的收斂速度都比 ViT 快得多。具有 30 萬次訓練迭代的 SiT-LLaMA 表現甚至優於 40 萬次訓練次數的基準模型。

本文也與圖4 中ImageNet 上使用DeiT3-Large 全監督訓練800 個epoch 的top-1 精度進行了比較，顯示VisionLLaMA比DeiT3-L 收斂得更快。本文進一步比較了 MAE 框架下 ViT-Base 模型的 800 個 epoch 的訓練損失，並在圖 5 中進行了說明。 VisionLLaMA 在開始時具有較低的訓練損失，並將趨勢保持到最後。

#

##

以上是全面超越ViT，美團、浙大等提出視覺任務統一架構VisionLLAMA的詳細內容。更多資訊請關注PHP中文網其他相關文章！