隨意指定CLIP關(guān)注區(qū)域！上交復(fù)旦等發(fā)布Alpha-CLIP：同時保持全圖+局部檢測能力
CLIP是目前最流行的視覺基座模型，其應(yīng)用場景包括但不限于：
- 與LLM大語言模型結(jié)合成為視覺多模態(tài)大模型；
- 作為圖像生成(Stable Diffusion)、點云生成(Point-E)的condition model，實現(xiàn)image-to-3D；
- 用于指導(dǎo)NeRF的優(yōu)化方向從而實現(xiàn)text-to-3D；
- 本身用于開放類別的識別和檢測。
但CLIP必須以整張圖片作為輸入并進行特征提取，無法關(guān)注到指定的任意區(qū)域，不過自然的2D圖片中往往包含不同的物體，part和thing，如果能由用戶或檢測模型指定需要關(guān)注的區(qū)域，在圖像編碼的過程就確定需要關(guān)注的對象，將會提升CLIP模型的可控制性和區(qū)域檢測能力。為此，上海交通大學(xué)、復(fù)旦大學(xué)、香港中文大學(xué)、澳門大學(xué)等機構(gòu)的學(xué)者們提出了Alpha-CLIP模型，在原始CLIP模型的RGB三個通道的基礎(chǔ)上額外引入了第四個alpha通道來決定需要關(guān)注的區(qū)域。
圖片
論文鏈接：https://arxiv.org/abs/2312.03818項目主頁：https://aleafy.github.io/alpha-clip代碼鏈接：https://github.com/SunzeY/AlphaCLIP
通過構(gòu)造千萬量級的「RGBA四通道圖片-文本對」對Alpha-CLIP進行訓(xùn)練，Alpha-CLIP不僅在ImageNet上保持了原始的全圖檢測能力，還能對用戶指定的任意區(qū)域進行highlight關(guān)注。下面分別介紹Alpha-CLIP的應(yīng)用場景。
圖1 Alpha-CLIP使用場景總覽
圖像分類
如圖所示，對于ImagNet的一張圖片，研究人員可以通過alpha-map控制CLIP去關(guān)注魚或漁夫。
圖片
圖片
以ImageNet的Zero-Shot Classification作為評價指標，研究人員驗證了在對全圖進行識別時，Alpha-CLIP可以保持原本CLIP的分類準確率。
進一步地，在給出了需要關(guān)注區(qū)域的長方形box或者mask時，Alpha-CLIP可以進一步提升分類準確率。
與LLM大語言模型的結(jié)合
圖片
將主流的LLaVA-1.5中的CLIP基座模型替換為Alpha-CLIP，用戶可以通過簡單地用畫筆標記處需要關(guān)注的區(qū)域，從而進行指定區(qū)域的對話交互。
圖片
在定量實驗方面，研究人員通過LLaVA測試了MLLM的region caption能力。通過在RefCOCO和VG上分別進行finetune，取得了SOTA的region caption分數(shù)。
圖片
與Stable Diffusion的結(jié)合
圖片
Stable-Diffusion是目前主流的2D圖片生成模型，其Image Variation版本可以實現(xiàn)「圖生圖」，其中圖片的編碼器也是CLIP模型。通過將該模型替換為Alpha-CLIP，可以實現(xiàn)更復(fù)雜圖片中指定物體的生成(同時較好地保留背景)。
如上圖所示，使用原始的CLIP會生成同時具有獅子和老虎特征的「獅虎獸」，而Alpha-CLIP能夠很好地區(qū)分兩個物體，從而指導(dǎo)Stable Diffusion模型生成更專一的圖片。
圖片
與Point-E的結(jié)合
圖片
Point-E是Open-AI開源的一個支持Image-to-3D和text-to-3D的點云diffusion模型，通過將它的Image編碼器從原始的CLIP替換為Alpha-CLIP。
可以支持用戶對任意區(qū)域進行關(guān)注，從而恢復(fù)丟失的「表針」和「盾牌的十字架」。
圖片
Attention Map可視化
本工作對Alpha-CLIP的注意力進行可視化，以檢查Alpha-CLIP是否更加關(guān)注用戶定義alpha-map。通過檢查視覺編碼器中最后一個Transformer塊中[CLS] token的注意力圖。可視化采用了具有16個注意頭的ViT-L/14模型。
圖片
為了進行公正比較，使用第5和第16個注意頭的注意力圖進行可視化，因為我們發(fā)現(xiàn)在這16個頭中，這兩個特征圖最為明顯。結(jié)果如下圖所示。這種可視化驗證了Alpha-CLIP更加關(guān)注要聚焦的區(qū)域，更重要的是，它在保留原始CLIP特征位置的二維位置信息時沒有造成損害。
結(jié)論
本文介紹的這項工作提出了Alpha-CLIP模型，該模型引入了一個額外的alpha通道，用于指定感興趣的區(qū)域。
通過對數(shù)百萬個RGBA區(qū)域-文本對進行訓(xùn)練，Alpha-CLIP不僅表現(xiàn)出卓越的區(qū)域關(guān)注能力，而且確保其輸出空間與原始的CLIP模型保持一致。這種一致性使得Alpha-CLIP在CLIP的各種下游應(yīng)用中能夠輕松替代，無縫銜接。研究人員證明了當(dāng)提供特定關(guān)注的區(qū)域時，Alpha-CLIP展現(xiàn)出了更強大的Zero-Shot識別能力，并驗證了它在許多下游任務(wù)中的有用性。CLIP的應(yīng)用遠遠超出了本文的范圍。研究人員希望在前景區(qū)域或mask較容易獲得時，Alpha-CLIP將能夠在更多場景中得到應(yīng)用。
雖然Alpha-CLIP在需要關(guān)注區(qū)域的各種場景中表現(xiàn)出有效的性能，但目前的結(jié)構(gòu)和訓(xùn)練過程限制了其專注于多個對象或建模不同對象之間關(guān)系的能力。此外，當(dāng)前的訓(xùn)練方法限制了alpha通道在中間值之外的泛化（只能接受0,1兩個值），因此用戶無法指定注意力的幅度。另一個限制同時存在于Alpha-CLIP和原始CLIP中，即純Transformer結(jié)構(gòu)的編碼器分辨率較低，這阻礙了Alpha-CLIP識別小物體并進行關(guān)注。研究人員計劃在未來的工作中解決這些限制并擴展CLIP的輸入分辨率，相信這些未來的方向是增強Alpha-CLIP能力并在各種下游任務(wù)中擴展其實用性的途徑。
