任意文本、視覺、音頻混合生成，多模態(tài)有了強大的基礎引擎CoDi-2

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）?！?/span>

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。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。其中在主題驅動圖像生成、視覺轉換和音頻編輯等任務上超越了以往領域特定的模型。

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

CoDi-2 在設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的文本、圖像和音頻輸出。CoDi-2 模型架構圖如下所示。

將多模態(tài)大語言模型作為基礎引擎

這種 any-to-any 基礎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引擎。研究者提出將 MLLM 作為這個引擎，它的構建需要為僅文本的 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。

任務類型

本文提出的模型在以下示例任務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換上下文中的多模態(tài)內容，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)行類似任務之前從中學習。這種方法在以下任務中很明顯：模型將學習到的概念從一個圖像應用到另一個圖像，或者通過理解所提供示例中描述的風格來創(chuàng)建一個新的藝術品。

實驗及結果

模型設置

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容的最大感知特征方面尤為有效，添加新內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 上主題驅動圖像生成的評估結果和 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的泛化能力。

音頻生成評估

表 5 展示了音頻處理任務的評估結果，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。