豆包大模型團隊釋出全新Detail Image Caption評估基準，提升VLM Caption評測可靠性

机器之心發表於2024-07-15
原文網址 : https://www.jiqizhixin.com/articles/2024-07-15-3
大模型AIAPT
圖片
AIxiv專欄是機器之心釋出學術、技術內容的欄目。過去數年，機器之心AIxiv專欄接收報導了2000多篇內容，覆蓋全球各大高校與企業的頂級實驗室，有效促進了學術交流與傳播。如果您有優秀的工作想要分享，歡迎投稿或者聯絡報導。投稿郵箱：liyazhou@jiqizhixin.com；zhaoyunfeng@jiqizhixin.com

當前的視覺語言模型（VLM）主要透過 QA 問答形式進行效能評測，而缺乏對模型基礎理解能力的評測，例如 detail image caption 效能的可靠評測手段。

針對這一問題，中科院、北大和位元組豆包大模型團隊釋出了 DetailCaps-4870 資料集，並提出了一種有效的評估指標 CAPTURE，取得了開源評估指標中最高的專家評價一致性，並低成本實現了與 GPT-Eval 可比的效果。

圖片

  • 論文：https://arxiv.org/abs/2405.19092
  • 資料集：https://huggingface.co/datasets/foundation-multimodal-models/DetailCaps-4870
  • 程式碼：https://github.com/foundation-multimodal-models/CAPTURE

簡介

當前的 LVLM（large vision-language model）評測存在以下問題：

  • 現有的 LVLM 評測方案主要採用 VQA 形式，很大程度受到指令遵循（instruction following）能力的影響，且 QA prompt 的設計容易引入人類的偏見（bias）。
  • Image caption 任務可以有效評估模型理解能力，但現有的 caption benchmark 多使用短 caption 作為 ground truth，這在 lvlm 時代完全過時。
  • 同時，現有的 image caption 評測指標與人類、GPT 等專家評價結果的一致性較差，常用的 bleu、rouge 等指標抽取 n-gram 進行匹配，對關鍵資訊的準確性不夠敏感。而 GPT-Eval 雖然和專家評價較為一致，但是會帶來高昂的評測成本。

針對這些問題，該研究提出了新的 Detail image caption benchmark 和 evaluation metric，以在較低的成本下實現了對 LVLM 影像理解能力的準確評估。

在所提出的評測資料集 & 指標的指導下，該研究還探索了發掘 LVLM 自身能力進行 detail image caption 的資料構造方法，有效提升了 detail caption 資料質量。

圖片

圖一：左側為 CAPTURE metric 例項展示，右側為 detail caption construction 方法展示

資料集

相比類似大小的評測資料集，該研究提出的 Detail image caption benchmark 文字長度更長，無重複的 2-gram 數量明顯更多，包含更豐富的視覺資訊：

圖片

表一：DetailCaps benchmark 統計資訊
評估指標

該研究所提出的 CAPTURE (CAPtion evaluation by exTracting and coUpling coRE information) 指標透過 4 步進行 caption 質量評估。如下圖所示，首先使用 Factual praser [1] 抽取 detail caption 中的 object, attribute, relation 元素，緊接著過濾掉沒有實際意義的 objects。之後，透過三階段匹配（精確匹配、近義詞匹配、embedding 匹配）分別計算 obj、attr、rel 元素的匹配得分（F1 分數），加權作為最終結果。

圖片

圖二：CAPTURE metric 詳細計算步驟

Detail caption 資料合成

在 DetailCaps benchmark 和 CAPTURE metric 的指導下，該研究提出了一種基於 divide-and-conquer 思想發掘 LVLM 潛力進行資料合成的方法，有效提升了 detail caption 資料質量。該方案首先使用 LVLM 進行全圖 caption 生成，之後使用分割模型（SAM [2]）和聚類等過濾方法找到圖中的關鍵位置並將其裁剪出來進行區域性 caption 生成。文章使用一種 word-level 的過濾方法來減少 caption 中的幻覺，該方法首先解析（parse）出描述圖中視覺元素的詞和短語，再透過目標檢測模型（Owlv2 [3]）過濾掉得分低的元素。最後，將過濾後的全圖 caption、區域性 caption 送入 LLM（LLaMA2 [4]）融合為最終的影像描述。

實驗

CAPTURE 指標

（1）CAPTURE vs 其他 caption 指標

該研究在 DetailCaps-100（人工標註 reference caption，人工評估模型生成 caption 得分）和 DetailCaps-4870（GPT 標註 reference caption，GPT-4 評估模型生成 caption 得分）上，對 LLaVA-1.5 [5]、CogVLM [6] 和 ShareCaptioner [7] 三個模型生成的 caption 進行了專家打分，並計算各個評估指標與專家評價的一致性：

圖片

表二：CAPTURE 與其他 detail image caption 評估指標的專家評價一致性對比

各 caption 評估指標和專家評價的一致性透過 pearson correlation（線性相關性）、 R^2（絕對值大小）、 Kendall's tau（排序偏序對一致性）和 (Per-) Sample (Kendall's) tau（每個樣本單獨計算取平均）指標進行衡量。

結果顯示，CAPTURE 在各種指標上都取得了最優的專家評價一致性。在這些指標中，Sample tau 與實際 detail image caption 評估的計算方式最為接近，CAPTURE 也是唯一在這個指標上取得與 GPT4-Eval 接近的方法，在評估的準確率、成本上取得了良好的平衡。

（2）消融分析

研究者還對 CAPTURE 中的各個模組進行了消融分析，並驗證其有效性：

圖片

表三：CAPTURE 各模組的消融分析

實驗結果顯示，Stop words 有效提升了 Sample tau，說明了該模組的有效性。但是 stop words filtering 會對不同樣例的 detail caption 造成不同的影響，從而導致 pcc、kendall tau 微降。Soft matching 也提升了 sample tau，同時在 1-R2 分數上有明顯增益作用，將 CAPTURE 預測分數和專家打分的絕對分值對齊。在加權計算最終得分時，obj:attr:rel 比例取 default 的 5:5:2 最好，提升或降低各元素的比重都會造成效能下降。

（3）開源 LVLM 的 detail caption 效能

圖片

表四：開源 LVLM 的 detail caption 效能對比

總體來看，InternVL-1.5 是當前表現最好的開源 LVLM。從 LLaVA、MiniGemini 結果可以看出，LLM 引數量的提升對模型 detail caption 能力有一致的提升作用。同時，解析度較高、使用高質量 detail caption 進行訓練的模型，效能會更好。

Detail caption 資料構造

基於 detail caption 評估資料集和評測指標，研究者驗證了所提出的 detail caption 資料合成方案的有效性。

（1）Detail caption 合成方法在不同 LVLM 上的有效性

如下表所示，該研究提出的 detail caption 合成方法在 LLaVA-1.5-7B、LLaVA-1.5-13B、LLaVA-NEXT-7B 和 Mini-Gemini-7B-HD 上取得了一致的 detail caption 質量提升：

圖片

表五：不同 LVLM 使用該研究提出的 detail caption 合成方法效果

（2）透過 Self-loop 進一步提升 detail caption 效能

研究者還嘗試透過資料打標 -> 模型訓練 -> 重新打標的訓練流程進行 Self-loop 來進一步提升 LVLM detail caption 效能，在四輪 loop 中都取得了正面效果。同時，對比開源方案 [8] 與本文所提出的 word-level 幻覺過濾方案，證明了其設計的有效性：

圖片

表六：Detail caption 合成方案的 self-looping 效果和消融分析

（3）LVLM 自身打標的 detail caption 可提升其整體效能

該研究使用 LLaVA-1.5 按照給出的 detail caption 構造方案對 sharegpt4v-100k 資料進行了重新打標，並將打標資料用於 LLaVA-1.5 的 SFT 訓練，在多個 benchmark 上取得了一致的效能提升：

圖片

表七：合成 detail caption 資料在 LLaVA-1.5-7B 模型訓練中的作用

參考文獻
[1] Zhuang Li, Yuyang Chai, Terry Zhuo Yue, Lizhen Qu, Gholamreza Haffari, Fei Li, Donghong Ji, and Quan Hung Tran. Factual: A benchmark for faithful and consistent textual scene graph parsing. arXiv:2305.17497, 2023
[2] Alexander Kirillov, Eric Mintun, Nikhila Ravi, Hanzi Mao, Chloe Rolland, Laura Gustafson, Tete Xiao, Spencer Whitehead, Alexander C Berg, Wan-Yen Lo, et al. Segment anything. ICCV 2023
[3] Matthias Minderer, Alexey Gritsenko, and Neil Houlsby. Scaling open-vocabulary object detection. NIPS 2024
[4] Hugo Touvron, Louis Martin, Kevin Stone, Peter Albert, Amjad Almahairi, Yasmine Babaei, Nikolay Bashlykov, Soumya Batra, Prajjwal Bhargava, Shruti Bhosale, et al. Llama 2: Open foundation and fine-tuned chat models. arXiv:2307.09288, 2023
[5] Haotian Liu, Chunyuan Li, Yuheng Li, and Yong Jae Lee. Improved baselines with visual instruction tuning. NeurIPS 2023 Workshop on Instruction Tuning and Instruction Following, 2023
[6] Weihan Wang, Qingsong Lv, Wenmeng Yu, Wenyi Hong, Ji Qi, Yan Wang, Junhui Ji, Zhuoyi Yang, Lei Zhao, Xixuan Song, Jiazheng Xu, Bin Xu, Juanzi Li, Yuxiao Dong, Ming Ding, and Jie Tang. Cogvlm: Visual expert for pretrained language models. arXiv:2311.03079, 2023
[7] Lin Chen, Jisong Li, Xiaoyi Dong, Pan Zhang, Conghui He, Jiaqi Wang, Feng Zhao, and Dahua Lin. Sharegpt4v: Improving large multi-modal models with better captions. arXiv:2311.12793, 2023
[8] Zhang Li, Biao Yang, Qiang Liu, Zhiyin Ma, Shuo Zhang, Jingxu Yang, Yabo Sun, Yuliang Liu, and Xiang Bai. Monkey: Image resolution and text label are important things for large multi-modal models. arXiv:2311.06607, 2023

豆包大模型團隊

位元組跳動豆包大模型團隊成立於 2023 年，致力於開發業界最先進的 AI 大模型技術，成為世界一流的研究團隊，為科技和社會發展作出貢獻。

豆包大模型團隊在 AI 領域擁有長期願景與決心，研究方向涵蓋 NLP、CV、語音等，在中國、新加坡、美國等地設有實驗室和研究崗位。團隊依託平臺充足的資料、計算等資源，在相關領域持續投入，已推出自研通用大模型，提供多模態能力，下游支援豆包、釦子、即夢等 50 + 業務，並透過火山引擎開放給企業客戶。目前，豆包 APP 已成為中國市場使用者量最大的 AIGC 應用。歡迎加入位元組跳動豆包大模型團隊。

https://mp.weixin.qq.com/s/ZjQ-v6reZXhBP6G27cbmlQ

相關文章