计算机科学 > 计算机视觉与模式识别
[提交于 2025年7月1日
]
标题: 语言解锁的ViT(LUViT):利用大语言模型增强自监督视觉变换器
标题: Language-Unlocked ViT (LUViT): Empowering Self-Supervised Vision Transformers with LLMs
摘要: 将大型语言模型(LLMs)模块与视觉变换器(ViTs)相结合,在利用LLMs丰富的语义知识和推理能力的基础上,为仅视觉任务带来了巨大的前景。 然而,一个基本的挑战在于LLMs以文本为中心的预训练和ViTs以视觉为中心的训练之间的固有模态不匹配。 直接融合往往无法充分发挥LLMs的潜力,并且在微调过程中表现出不稳定性。 因此,LLM模块保持冻结状态,而仅学习视觉组件。 为了解决这些挑战,我们引入了语言解锁视觉变换器(LUViT),这是一种通过协同预训练策略来弥合这种模态不匹配的新方法。 LUViT通过(1)使用掩码自动编码(MAE)对ViT进行预训练以获得更丰富的视觉表示,以及(2)同时使用MAE目标在LLM模块内训练低秩适应(LoRA)层,来共同适应ViT主干和LLM融合模块。 这种联合优化引导ViT生成与LLM对齐的特征,并使LLM能够有效解释视觉信息。 我们通过大量实验证明,LUViT在各种下游视觉任务中显著提升了性能,展示了更有效和高效的途径来利用LLM知识进行视觉理解。
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.