8G GPU顯存即可以運行

代碼鏈接（已開源）：h

https://github.com/showlab/Image2Paragraph

動機：

怎么把圖片表示成高質量文本一直是個熱門的問題。傳統的思路Show，and Tell 等 Image Caption和Dense Caption 等都是依賴大量的人工標注。首先依靠諸如亞馬遜AMT（ 亞非拉大兄弟們）等標注平臺給每張圖一人寫一段描述。其中添加了一系列規則，諸如名詞數目，顏色等等。通常用一句簡短的話來描述一張圖。

然而，這種樸素的標記思路造成了嚴重的One-to-many問題。如一張圖對應很多文本。由于圖片和文本之間信息的不對稱性，在這類數據上訓練的結果很容易陷入平凡解。（Pretrain中也經常遇到的問題）

而LLM（大語言模型）尤其是ChatGPT展現出來的邏輯能力讓人望塵莫及。我們驚訝發現， 把Bounding Box 和 Object信息給到GPT4， GPT4很自然的能推理出物體之間的位置關系，甚至想像出物體之間的聯系。

因此一個很自然的想法就是， 用GPT4對每張圖生成高信息量的段落，From One-to-many to one-to-one

做法：

低階語義抽取：

Image Caption, Dense Caption, Object Detection, Segement Anything 等等統一當成視覺理解組件。

如圖所示，首先用BLIP2 得到一張圖的Coars-grained Caption信息。再用 GRIT得到Dense Caption信息，最終用Segment Anything 去得到Fine- grained Region-level Semantic.

高階推理：

把金字塔視覺語義給到ChatGPT，讓ChatGPT去推理物體之間的關系和物體的物質信息等，最終生成一個高質量Unique的文本段落。

可視化：

最后對生成的段落，放進Control Net生成一張重構的圖。

實驗：

最后是一些運行結果：

對生成的段落用ControlNet生成新圖片。

Region-level Semantic:

最后有意思的是：

當我們把圖片變成文本之后。不需要訓練的情況下，檢索效果竟然好與在COCO上 Train的結果。

一些呼之欲出的問題即將到來：

現有Vision- language Pretrain需不需要新的 Data collection 范式？

現有的Image- Text 數據集尤其是Caption數據需不需要Refine？

參考：

Show，And Tell.GRIT.ChatGPT.Segment Anything.ControlNet.Blip2.

審核編輯 ：李倩