Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2507.00754

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2507.00754 (cs)
[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

Authors:Selim Kuzucu, Muhammad Ferjad Naeem, Anna Kukleva, Federico Tombari, Bernt Schiele
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。
摘要: The integration of Large Language Model (LLMs) blocks with Vision Transformers (ViTs) holds immense promise for vision-only tasks by leveraging the rich semantic knowledge and reasoning capabilities of LLMs. However, a fundamental challenge lies in the inherent modality mismatch between text-centric pretraining of LLMs and vision-centric training of ViTs. Direct fusion often fails to fully exploit the LLM's potential and suffers from unstable finetuning. As a result, LLM blocks are kept frozen while only the vision components are learned. As a remedy to these challenges, we introduce Language-Unlocked Vision Transformers (LUViT), a novel approach that bridges this modality mismatch through a synergistic pre-training strategy. LUViT co-adapts a ViT backbone and an LLM fusion block by (1) employing Masked Auto-Encoding (MAE) to pre-train the ViT for richer visual representations, and (2) concurrently training Low-Rank Adaptation (LoRA) layers within the LLM block using the MAE objective. This joint optimization guides the ViT to produce LLM-aligned features and the LLM to effectively interpret visual information. We demonstrate through extensive experiments that LUViT significantly improves performance on various downstream vision tasks, showcasing a more effective and efficient pathway to harness LLM knowledge for visual understanding.
评论: 26页,6图
主题: 计算机视觉与模式识别 (cs.CV)
引用方式: arXiv:2507.00754 [cs.CV]
  (或者 arXiv:2507.00754v1 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.00754
通过 DataCite 发表的 arXiv DOI(待注册)

提交历史

来自: Selim Kuzucu [查看电子邮件]
[v1] 星期二, 2025 年 7 月 1 日 13:58:21 UTC (1,422 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
cs

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号