企业网站自助建站上海设计模板修饰演示文稿

【大语言模型】ACL2024论文-24 图像化歧义：Winograd Schema 挑战的视觉转变

---

目录

---

图像化歧义：Winograd Schema 挑战的视觉转变

https://arxiv.org/pdf/2405.16277

摘要

本文介绍了 WINOVIS，这是一个新颖的数据集，旨在探究文本到图像模型在多模态情境中对代词消歧的能力。研究者利用 GPT-4 生成提示，并采用扩散注意力归因图（DAAM）进行热图分析，提出了一个新的评估框架，将模型在代词消歧方面的能力与其他视觉处理挑战区分开来。通过评估不同版本的模型，研究发现即使最先进的模型如 Stable Diffusion 2.0 在 WINOVIS 上的精确度仅为 56.7%，仅略高于随机猜测，显示出从以往版本到当前的微小进步。进一步的错误分析确定了未来研究的重要领域，旨在提高文本到图像模型解释和交互复杂视觉世界的能力。

研究背景

Winograd Schema 挑战（WSC）是评估自然语言理解模型的一个里程碑，它通过代词消歧任务来衡量常识推理能力。尽管基于 Transformer 的大型语言模型（LLMs）在 WSC 任务上取得了令人印象深刻的结果，但将这种推理能力扩展到多模态领域，尤其是需要同时理解文本和图像的领域，仍然是一个重大挑战。WINOVIS 数据集的创建就是为了测试文本到图像模型在多模态场景中的常识推理能力，特别是代词消歧的能力。

问题与挑战

多模态领域中的代词消歧任务面临的挑战包括：

1. 模型的可解释性限制：尽管模型如 Imagen、DALL-E 2 和 Stable Diffusion 能够根据文本提示生成引人注目的图像，但它们的可解释性有限，这对于理解模型的推理过程至关重要。
2. 文本和图像的集成：在教育和数字媒体等领域，文本和图像的集成至关重要，模型在这方面的有效性受到限制。
3. 代词消歧的复杂性：WINOVIS 数据集不仅要测试模型区分生成图像中的实体的能力，还要检验这些模型如何将代词与正确的指代对象关联起来，这是常识推理中一个微妙且被忽视的方面。

如何解决

研究者通过以下方式解决上述挑战：

1. 创建 WINOVIS 数据集：包含 500 个场景，用于基准测试文本到图像模型在视觉环境中的代词消歧能力。
2. 开发新的评估框架：设计了度量和方法来分离模型的代词解析能力与其他视觉处理挑战。
3. 使用 GPT-4 和 DAAM：利用 GPT-4 生成提示，并通过 DAAM 技术提供热图，以增强模型的可解释性。

核心创新点

1. WSC 适应的多模态数据集（WINOVIS）：为基准测试文本到图像模型的代词消歧能力而创建的数据集。
2. 多模态消歧的新评估框架：旨在分离模型的代词解析能力与其他视觉处理挑战。
3. 对 Stable Diffusion 常识推理的洞察：通过关键分析揭示即使是最新模型也远远没有达到人类水平的性能。

算法模型

1. Latent Diffusion in Image Generation：介绍了潜在扩散模型（LDMs）的工作原理，特别是 Stable Diffusion 如何通过逐步细化随机噪声来合成图像。
2. Diffusion Attentive Attribution Maps (DAAM)：DAAM 技术利用多头交叉注意力机制，聚合 U-Net 架构中的注意力分数，以链接提示中的特定词汇与图像区域。
   

实验效果（包含重要数据与结论）

实验结果表明：

• 模型进展和确定性：SD 2.0 在代词消歧方面展现出了优越的精确度、召回率和 F1 分数，并且“两者都不是”的预测比例降低，表明在代词消歧和果断性方面取得了进展。
• SDXL 的糟糕表现：SDXL 的注意力图几乎总是没有达到 WINOVIS 上可行预测的 IoU 阈值。SDXL 的热图通常在整个图像中分散，导致“两者都不是”的预测。
• 混淆矩阵：混淆矩阵显示了模型在 WINOVIS 数据集上的代词消歧问题上的原始计数表现，表明随着模型版本的增加，实体之间的混淆逐渐减少。
  
  
  

相关工作

相关工作部分讨论了WSC风格任务的发展，包括 Winograd Schema Challenge（WSC）如何促进了各种数据集的创建，以解决代词消歧问题的不同方面。WINOVIS 通过将WSC适应于文本到图像模型评估，专注于多模态常识推理，引入了视觉上消歧代词的挑战，填补了多模态评估中的关键空白。

后续优化方向

1. 实体分离：Stable Diffusion 模型在区分两个语义相似实体时遇到挑战，解决这些问题可以提高模型区分个体实体的能力。
2. 模型多样性：由于 Stable Diffusion 的开源特性，DAAM 框架仅适用于 Stable Diffusion，未来研究应探索提高更广泛的潜在扩散模型和多模态扩散模型的可解释性的方法。
3. 偏见分析：研究没有明确解决 Stable Diffusion 可能影响其决策过程的潜在偏见，未来的工作应严格探索这些偏见及其对模型性能的影响。
4. 数据集多样性：尽管在生成 WINOVIS 样本时已尽力增加数据集的多样性，但仍有机会进行进一步的改进，包括创建更复杂、涵盖更广泛情况、实体和模糊代词实例的样本。
5. 过滤限制：某些情况下，语义纠缠逃避了通过热图重叠度量检测，未来的研究应探索替代检测方法，以更好地减轻这些模型缺陷对我们分析 WINOVIS 的影响。

如果您对我的博客内容感兴趣，欢迎三连击 ( 点赞、收藏和关注 ）和留下您的评论，我将持续为您带来计算机人工智能前沿技术(尤其是AI相关的大语言模型，深度学习和计算机视觉相关方向)最新学术论文及工程实践方面的内容分享，助力您更快更准更系统地了解 AI前沿技术。