谷歌新作SPAE：GPT等大语言模型可以通过上下文学习解决视觉任务

LLM 的能力还可以发挥到机器学习的更多子领域。

当前，大型语言模型（LLM）已经掀起自然语言处理（NLP）领域的变革浪潮。我们看到 LLM 具备强大的涌现能力，在复杂的语言理解任务、生成任务乃至推理任务上都表现优异。这启发人们进一步探索 LLM 在机器学习另一子领域 —— 计算机视觉（CV）方面的潜力。 LLM 的一项卓越才能是它们具备上下文学习的能力。上下文学习不会更新 LLM 的任何参数，却在各种 NLP 任务中却展现出了令人惊艳的成果。那么，GPT 能否通过上下文学习解决视觉任务呢？ 最近，来自谷歌和卡内基梅隆大学（CMU）的研究者联合发表的一篇论文表明：只要我们能够将图像（或其他非语言模态）转化为 LLM 能够理解的语言，这似乎是可行的。

SPAE: Semantic Pyramid AutoEncoder for Multimodal Generation with Frozen LLMs 代码：https://github.com/google-research/magvit/ 论文地址：https://arxiv.org/abs/2306.17842 这篇论文揭示了 PaLM 或 GPT 在通过上下文学习解决视觉任务方面的能力，并提出了新方法 SPAE（Semantic Pyramid AutoEncoder）。这种新方法使得 LLM 能够执行图像生成任务，而无需进行任何参数更新。这也是使用上下文学习使得 LLM 生成图像内容的首个成功方法。 我们先来看一下通过上下文学习，LLM 在生成图像内容方面的实验效果。 例如，在给定上下文中，通过提供 50 张手写图像，论文要求 PaLM 2 回答需要生成数字图像作为输出的复杂查询：

还能在有图像上下文输入的情况下生成逼真的现实图像：

除了生成图像，通过上下文学习，PaLM 2 还能进行图像描述：

还有与图像相关问题的视觉问答：

甚至可以去噪生成视频：

方法概述 实际上，将图像转化为 LLM 能够理解的语言，是在视觉 Transformer（ViT）论文中就已经研究过的问题。在 Google 和 CMU 的这篇论文中，他们将其提升到了一个新的层次 —— 使用实际的单词来表示图像。 这种方法就像建造一个充满文字的塔楼，捕捉图像的语义和细节。这种充满文字的表示方法让图像描述可以轻松生成，并让 LLM 可以回答与图像相关的问题，甚至可以重构图像像素。

具体来说，该研究提出使用经过训练的编码器和 CLIP 模型将图像转换为一个 token 空间；然后利用 LLM 生成合适的词法 token；最后使用训练有素的解码器将这些 token 转换回像素空间。这个巧妙的过程将图像转换为 LLM 可以理解的语言，使我们能够利用 LLM 在视觉任务中的生成能力。

实验及结果 该研究将 SPAE 与 SOTA 方法 Frozen 和 LQAE 进行了实验比较，结果如下表 1 所示。SPAEGPT 在所有任务上性能均优于LQAE，且仅使用 2% 的 token。

总的来说，在 mini-ImageNet 基准上的测试表明，SPAE 方法相比之前的 SOTA 方法提升了 25% 的性能。

为了验证 SPAE 设计方法的有效性，该研究进行了消融实验，实验结果如下表 4 和图 10 所示：