今年 5 月，北卡羅來納大學教堂山分校、微軟提出一種可組合擴散（Composable Diffusion，簡稱 CoDi）模型，讓一種模型統(tǒng)一多種模態(tài)成為可能。CoDi 不僅支持從單模態(tài)到單模態(tài)的生成，還能接收多個條件輸入以及多模態(tài)聯(lián)合生成。

近日，UC 伯克利、微軟 Azure AI、Zoom、北卡羅來納大學教堂山分校等多個機構(gòu)的研究者將 CoDi 升級到了 CoDi-2。

• 論文地址：https://arxiv.org/pdf/2311.18775.pdf

• 項目地址：https://codi-2.github.io/

項目 demo

論文一作 Zineng Tang 表示，「CoDi-2 遵循復雜的多模態(tài)交錯上下文指令，以零樣本或少樣本交互的方式生成任何模態(tài)（文本、視覺和音頻）。」

圖源：https://twitter.com/ZinengTang/status/1730658941414371820

可以說，作為一種多功能、交互式的多模態(tài)大語言模型（MLLM），CoDi-2 能夠以 any-to-any 輸入-輸出模態(tài)范式進行上下文學習、推理、聊天、編輯等任務(wù)。通過對齊編碼與生成時的模態(tài)與語言，CoDi-2 使 LLM 不僅可以理解復雜的模態(tài)交錯指令和上下文示例， 還能在連續(xù)的特征空間內(nèi)自回歸地生成合理和連貫的多模態(tài)輸出。

而為了訓練 CoDi-2，研究者構(gòu)建了一個大規(guī)模生成數(shù)據(jù)集，包含了跨文本、視覺和音頻的上下文多模態(tài)指令。CoDi-2 展示了一系列多模態(tài)生成的零樣本能力，比如上下文學習、推理以及通過多輪交互對話實現(xiàn)的 any-to-any 模態(tài)生成組合。其中在主題驅(qū)動圖像生成、視覺轉(zhuǎn)換和音頻編輯等任務(wù)上超越了以往領(lǐng)域特定的模型。

人類與 CoDi-2 的多輪對話為圖像編輯提供了上下文多模態(tài)指令。

模型架構(gòu)

CoDi-2 在設(shè)計時旨在處理上下文中的文本、圖像和音頻等多模態(tài)輸入，利用特定指令促進上下文學習并生成相應(yīng)的文本、圖像和音頻輸出。CoDi-2 模型架構(gòu)圖如下所示。

將多模態(tài)大語言模型作為基礎(chǔ)引擎

這種 any-to-any 基礎(chǔ)模型可以消化交錯式模態(tài)輸入，理解和推理復雜指令（如多輪對話、上下文示例），并與多模態(tài)擴散器交互，實現(xiàn)這一切的前提是需要一個強大的基礎(chǔ)引擎。研究者提出將 MLLM 作為這個引擎，它的構(gòu)建需要為僅文本的 LLM 提供多模態(tài)感知。

利用對齊的多模態(tài)編碼器映射，研究者可以無縫地使 LLM 感知到模態(tài)交錯的輸入序列。具體地，在處理多模態(tài)輸入序列時，他們首先使用多模態(tài)編碼器將多模態(tài)數(shù)據(jù)映射到特征序列，然后特殊 token 被添加到特征序列的前后，比如「?audio? [audio feature sequence] ?/audio?」。

基于 MLLM 的多模態(tài)生成

研究者提出將擴散模型（DM）集成到 MLLM 中，從而生成多模態(tài)輸出，這里遵循細致入微的多模態(tài)交錯指令和提示。擴散模型的訓練目標如下所示：

接著他們提出訓練 MLLM 以生成條件式特征 c = C_y (y)，該特征被饋入到擴散模型中以合成目標輸出 x。這樣一來，擴散模型的生成損失被用來訓練 MLLM。

任務(wù)類型

本文提出的模型在以下示例任務(wù)類型中顯示出強大的能力，它提供了一種獨特的方法來提示模型生成或轉(zhuǎn)換上下文中的多模態(tài)內(nèi)容，包括本文、圖像、音頻、視頻及其組合。

1. 零樣本提示。零樣本提示任務(wù)要求模型在沒有任何先前示例的情況下進行推理并生成新內(nèi)容。

2. 一次/少量樣本提示。一次或少量樣本提示為模型提供了一個或幾個示例，以便在執(zhí)行類似任務(wù)之前從中學習。這種方法在以下任務(wù)中很明顯：模型將學習到的概念從一個圖像應(yīng)用到另一個圖像，或者通過理解所提供示例中描述的風格來創(chuàng)建一個新的藝術(shù)品。

實驗及結(jié)果

模型設(shè)置

本文模型的實現(xiàn)基于 Llama2，特別是 Llama-2-7b-chat-hf。研究者使用 ImageBind ，它具有對齊的圖像、視頻、音頻、文本、深度、thermal 和 IMU 模式編碼器。研究者使用 ImageBind 對圖像和音頻特征進行編碼，并通過多層感知器（MLP）將其投射到 LLM（Llama-2-7b-chat-hf）的輸入維度。MLP 由線性映射、激活、歸一化和另一個線性映射組成。當 LLM 生成圖像或音頻特征時，他們通過另一個 MLP 將其投射回 ImageBind 特征維度。本文圖像擴散模型基于 StableDiffusion2.1 （stabilityai/stable-diffusion-2-1-unclip）、AudioLDM2 和 zeroscope v2。

對于需要更高保真原始輸入的圖像或音頻，研究者還將原始圖像或音頻輸入到擴散模型中，同時通過連接擴散噪聲生成特征。這種方法在保留輸入內(nèi)容的最大感知特征方面尤為有效，添加新內(nèi)容或改變風格等指令編輯也是如此。

圖像生成評估

下圖展示了 Dreambench 上主題驅(qū)動圖像生成的評估結(jié)果和 MSCOCO 上的 FID 分數(shù)。本文方法實現(xiàn)了極具競爭力的零樣本性能，顯示了其對未知新任務(wù)的泛化能力。

音頻生成評估

表 5 展示了音頻處理任務(wù)的評估結(jié)果，即添加、刪除和替換音軌中的元素。從表中可以明顯看出，與之前的方法相比，本文方法表現(xiàn)出了卓越的性能。值得注意的是，在所有三個編輯任務(wù)中，它在所有指標 — 對數(shù)譜距離（LSD）、Kullback-Leibler（KL）發(fā)散和 Fréchet Dis- tance（FD）上都取得了最低得分。