计算机科学 > 计算机视觉与模式识别
[提交于 2025年5月30日
]
标题: Mixpert:通过高效视觉专家混合缓解多模态学习冲突
标题: Mixpert: Mitigating Multimodal Learning Conflicts with Efficient Mixture-of-Vision-Experts
摘要: 多模态大型语言模型(MLLMs)需要对复杂的图像信息进行细致的解读,通常通过视觉编码器来感知各种视觉场景。 然而,仅仅依赖单一的视觉编码器来处理多样化的任务领域既困难重重,又不可避免地导致冲突。 近期的研究通过直接集成多个领域特定的视觉编码器来增强数据感知,但这种结构增加了复杂性,并限制了联合优化的潜力。 本文提出Mixpert,这是一种高效的视觉专家混合架构,它继承了单一视觉编码器的联合学习优势,同时重新构建为一个多专家范式,以针对不同视觉任务进行特定微调。 此外,我们设计了一种动态路由机制,将输入图像分配给最合适的视觉专家。 Mixpert有效地缓解了单一视觉编码器在多任务学习中遇到的领域冲突,且额外计算成本极低,比多个编码器更为高效。 此外,Mixpert可以无缝集成到任何MLLM中,实验结果表明其在各种任务中都取得了显著的性能提升。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.