Meta 新的開源模型 ImageBind 將多個數(shù)據(jù)流連接在一起，適用于文本、視頻和音頻等 6 種模態(tài)。

在人類的感官中，一張圖片可以將很多體驗融合到一起，比如一張海灘圖片可以讓我們想起海浪的聲音、沙子的質地、拂面而來的微風，甚至可以激發(fā)創(chuàng)作一首詩的靈感。圖像的這種「綁定」（binding）屬性通過與自身相關的任何感官體驗對齊，為學習視覺特征提供了大量監(jiān)督來源。

理想情況下，對于單個聯(lián)合嵌入空間，視覺特征應該通過對齊所有感官來學習。然而這需要通過同一組圖像來獲取所有感官類型和組合的配對數(shù)據(jù)，顯然不可行。

最近，很多方法學習與文本、音頻等對齊的圖像特征。這些方法使用單對模態(tài)或者最多幾種視覺模態(tài)。最終嵌入僅限于用于訓練的模態(tài)對。因此，視頻 - 音頻嵌入無法直接用于圖像 - 文本任務，反之亦然。學習真正的聯(lián)合嵌入面臨的一個主要障礙是缺乏所有模態(tài)融合在一起的大量多模態(tài)數(shù)據(jù)。

今日，Meta AI 提出了 ImageBind，它通過利用多種類型的圖像配對數(shù)據(jù)來學習單個共享表示空間。該研究不需要所有模態(tài)相互同時出現(xiàn)的數(shù)據(jù)集，相反利用到了圖像的綁定屬性，只要將每個模態(tài)的嵌入與圖像嵌入對齊，就會實現(xiàn)所有模態(tài)的迅速對齊。Meta AI 還公布了相應代碼。

論文地址：

https://dl.fbaipublicfiles.com/imagebind/imagebind_final.pdf

GitHub 地址：

https://github.com/facebookresearch/ImageBind

具體而言，ImageBind 利用網(wǎng)絡規(guī)模（圖像、文本）匹配數(shù)據(jù)，并將其與自然存在的配對數(shù)據(jù)（視頻、音頻、圖像、深度）相結合，以學習單個聯(lián)合嵌入空間。這樣做使得 ImageBind 隱式地將文本嵌入與其他模態(tài)（如音頻、深度等）對齊，從而在沒有顯式語義或文本配對的情況下，能在這些模態(tài)上實現(xiàn)零樣本識別功能。

下圖 2 為 ImageBind 的整體概覽。

與此同時，研究者表示 ImageBind 可以使用大規(guī)模視覺語言模型（如 CLIP）進行初始化，從而利用這些模型的豐富圖像和文本表示。因此，ImageBind 只需要很少的訓練就可以應用于各種不同的模態(tài)和任務。

ImageBind 是 Meta 致力于創(chuàng)建多模態(tài) AI 系統(tǒng)的一部分，從而實現(xiàn)從所有相關類型數(shù)據(jù)中學習。隨著模態(tài)數(shù)量的增加，ImageBind 為研究人員打開了嘗試開發(fā)全新整體性系統(tǒng)的閘門，例如結合 3D 和 IMU 傳感器來設計或體驗身臨其境的虛擬世界。此外它還可以提供一種探索記憶的豐富方式，即組合使用文本、視頻和圖像來搜索圖像、視頻、音頻文件或文本信息。

綁定內(nèi)容和圖像，學習單個嵌入空間

人類有能力通過很少的樣本學習新概念，比如如閱讀對動物的描述之后，就可以在實際生活中認出它們；通過一張不熟悉的汽車模型照片，就可以預測其引擎可能發(fā)出的聲音。這在一定程度上是因為單張圖像可以將整體感官體驗「捆綁」在一起。然而在人工智能領域，雖然模態(tài)數(shù)量一直在增加，但多感官數(shù)據(jù)的缺乏會限制標準的需要配對數(shù)據(jù)的多模態(tài)學習。

理想情況下，一個有著不同種類數(shù)據(jù)的聯(lián)合嵌入空間能讓模型在學習視覺特征的同時學習其他的模態(tài)。此前，往往需要收集所有可能的配對數(shù)據(jù)組合，才能讓所有模態(tài)學習聯(lián)合嵌入空間。

ImageBind 規(guī)避了這個難題，它利用最近的大型視覺語言模型它將最近的大規(guī)模視覺語言模型的零樣本能力擴展到新的模態(tài)，它們與圖像的自然配對，如視頻 - 音頻和圖像 - 深度數(shù)據(jù)，來學習一個聯(lián)合嵌入空間。針對其他四種模式（音頻、深度、熱成像和 IMU 讀數(shù)），研究者使用自然配對的自監(jiān)督數(shù)據(jù)。

通過將六種模態(tài)的嵌入對齊到一個公共空間，ImageBind 可以跨模態(tài)檢索未同時觀察到的不同類型的內(nèi)容，添加不同模態(tài)的嵌入以自然地對它們的語義進行組合，以及結合使用 Meta AI 的音頻嵌入與預訓練 DALLE-2 解碼器（設計用于與 CLIP 文本嵌入）來實現(xiàn)音頻到圖像生成。

互聯(lián)網(wǎng)上存在大量連同文本一起出現(xiàn)的圖像，因此訓練圖像 - 文本模型已經(jīng)得到了廣泛的研究。ImageBind 利用了圖像能與各種模態(tài)相連接的綁定屬性，比如利用網(wǎng)絡數(shù)據(jù)將文本與圖像連接起來，或者利用在有 IMU 傳感器的可穿戴相機中捕捉到的視頻數(shù)據(jù)將運動與視頻連接起來。

從大規(guī)模網(wǎng)絡數(shù)據(jù)中學習到的視覺表征可以用作學習不同模態(tài)特征的目標。這使得 ImageBind 將圖像與同時出現(xiàn)的任何模態(tài)對齊，自然地使這些模態(tài)彼此對齊。熱圖和深度圖等與圖像具有強相關性的模態(tài)更容易對齊。音頻和 IMU（慣性測量單元）等非視覺的模態(tài)則具有較弱的相關性，比如嬰兒哭聲等特定聲音可以搭配各種視覺背景。

ImageBind 表明，圖像配對數(shù)據(jù)足以將這六種模態(tài)綁定在一起。該模型可以更全面地解釋內(nèi)容，使不同的模態(tài)可以相互「對話」，并在沒有同時觀察它們的情況下找到它們之間的聯(lián)系。例如，ImageBind 可以在沒有一起觀察音頻和文本的情況下將二者聯(lián)系起來。這使得其他模型能夠「理解」新的模態(tài)，而不需要任何資源密集型的訓練。

ImageBind 強大的 scaling 表現(xiàn)使該模型能夠替代或增強許多人工智能模型，使它們能夠使用其他模態(tài)。例如雖然 Make-A-Scene 可以通過使用文本 prompt 生成圖像，但 ImageBind 可以將其升級為使用音頻生成圖像，如笑聲或雨聲。

ImageBind 的卓越性能

Meta 的分析表明，ImageBind 的 scaling 行為隨著圖像編碼器的強度而提高。換句話說，ImageBind 對齊模態(tài)的能力隨著視覺模型的能力和大小而提升。這表明，更大的視覺模型對非視覺任務有利，如音頻分類，而且訓練這種模型的好處超出了計算機視覺任務的范疇。

在實驗中，Meta 使用了 ImageBind 的音頻和深度編碼器，并將其與之前在 zero-shot 檢索以及音頻和深度分類任務中的工作進行了比較。

在基準測試上，ImageBind 在音頻和深度方面優(yōu)于專家模型。

Meta 發(fā)現(xiàn) ImageBind 可以用于少樣本音頻和深度分類任務，并且優(yōu)于之前定制的方法。例如，ImageBind 明顯優(yōu)于 Meta 在 Audioset 上訓練的自監(jiān)督 AudioMAE 模型，以及在音頻分類上微調的監(jiān)督 AudioMAE 模型。

此外，ImageBind 還在跨模態(tài)的零樣本識別任務上取得了新的 SOTA 性能，甚至優(yōu)于經(jīng)過訓練以識別該模態(tài)概念的最新模型。

審核編輯 ：李倩