字節(jié)復(fù)旦團(tuán)隊提出meta prompts 擴散模型圖像理解力刷新SOTA

　　1月16日 消息:過去一年擴散模型風(fēng)頭正勁，徹底改變了文生圖領(lǐng)域!那么，擴散模型能否處理視覺感知任務(wù)?字節(jié)跳動和復(fù)旦大學(xué)技術(shù)團(tuán)隊在最新研究中提出了一個簡單有效的方案。擴散模型在生成高清晰度圖像方面顯示出了卓越的能力，這一成就得益于其在大規(guī)模圖像-文本對上的預(yù)訓(xùn)練。團(tuán)隊提出了一種利用擴散模型處理視覺感知任務(wù)的方案，通過引入可學(xué)習(xí)的元提示到預(yù)訓(xùn)練的擴散模型中，以提取適合特定感知任務(wù)的特征。

　　視覺感知任務(wù)的多樣性超出了文本驅(qū)動方法的范疇，因此技術(shù)團(tuán)隊提出了一種內(nèi)部的可學(xué)習(xí)元提示，稱為meta prompts，這些meta prompts被集成到擴散模型中，以適應(yīng)感知任務(wù)。Meta prompts可以根據(jù)目標(biāo)任務(wù)和數(shù)據(jù)集進(jìn)行端到端的訓(xùn)練，從而為去噪UNet建立特別定制的適應(yīng)條件。這些meta prompts包含豐富的、適應(yīng)于特定任務(wù)的語義信息，有效展示了對類別的識別能力、對深度的感知能力以及關(guān)鍵點的感知。

　　擴散模型通過其固有的設(shè)計，在去噪UNet中生成多尺度特征，但視覺感知任務(wù)通常需要理解既包括低級細(xì)節(jié)的又包括高級語義解釋的內(nèi)容。為了解決這一問題，技術(shù)團(tuán)隊引入了meta prompts作為特征重組的過濾器，將UNet的多尺度特征與meta prompts的任務(wù)適應(yīng)性結(jié)合起來，并將經(jīng)過meta prompts過濾的特征輸入到特定任務(wù)的解碼器中，從而提高模型在視覺識別任務(wù)中的性能。

　　技術(shù)團(tuán)隊還為視覺感知任務(wù)設(shè)計了一個簡單的recurrent refinement過程，通過將UNet的輸出特征循環(huán)輸入到UNet中，并引入可學(xué)習(xí)的獨特的timestep embeddings，以調(diào)制UNet的參數(shù)，從而優(yōu)化特征提取過程，增強模型在視覺感知任務(wù)中的性能。實驗結(jié)果顯示，該方法在多個感知任務(wù)數(shù)據(jù)集上都取得了最優(yōu)。

　　該研究提出的方法和技術(shù)有廣泛的應(yīng)用前景，可以在自動駕駛、醫(yī)學(xué)影像分析、機器人視覺系統(tǒng)等領(lǐng)域中提升視覺感知任務(wù)的性能。此外，該方法還可以在藝術(shù)創(chuàng)作、虛擬現(xiàn)實、增強現(xiàn)實等領(lǐng)域中用于提高圖像和視頻的質(zhì)量和互動性。隨著技術(shù)的進(jìn)步，這些方法可能會進(jìn)一步完善。