從一大堆圖片中精準(zhǔn)找圖，有新招了！論文已經(jīng)中了ECCV 2024。

北京大學(xué)袁粒課題組，聯(lián)合南洋理工大學(xué)實(shí)驗(yàn)室，清華自動(dòng)化所提出了一種新的通用檢索任務(wù)：通用風(fēng)格檢索(Style-Diversified Retrieval)。

一句話，這種檢索任務(wù)要求模型面對(duì)風(fēng)格多樣的查詢條件時(shí)，依然能精準(zhǔn)找圖。

傳統(tǒng)圖片檢索主要靠文本查詢，查詢方法單一不說(shuō)，在使用其他檢索方案的性能也一般。

而論文提出的新圖像檢索方法，能夠根據(jù)多樣化的查詢風(fēng)格（如草圖、藝術(shù)畫、低分辨率圖像和文本等）來(lái)檢索相應(yīng)圖像，甚至包括組合查詢（草圖+文本、藝術(shù)+文本等）。

同時(shí)，模型在與其他檢索基線之間的性能比較中達(dá)到SOTA。（最外圍藍(lán)色）

目前，論文已在arXiv公開，相關(guān)代碼和數(shù)據(jù)集也已開源。

新圖像檢索方法

當(dāng)前，圖像檢索的一大痛點(diǎn)是：

讓檢索模型具備理解多樣化用戶查詢向量的能力

通俗點(diǎn)說(shuō)就是，不管用戶用哪種方式檢索查詢，最后都能命中用戶想要的圖像。

為了實(shí)現(xiàn)這一點(diǎn)，團(tuán)隊(duì)進(jìn)行了兩項(xiàng)工作：

• 構(gòu)建專有的檢索數(shù)據(jù)集，包括多種類型的查詢圖片。
• 提出即插即用的框架，使傳統(tǒng)檢索模型也能快速具有通用檢索能力。

數(shù)據(jù)集構(gòu)建

針對(duì)多種查詢風(fēng)格的圖片文本檢索任務(wù)，團(tuán)隊(duì)生成并構(gòu)建了細(xì)粒度檢索數(shù)據(jù)集DSR（Diverse-Style Retrieval Dataset）。

展開來(lái)說(shuō)，數(shù)據(jù)集包括10,000張自然圖片以及對(duì)應(yīng)的四種檢索風(fēng)格（文本、草圖、低分辨率、卡通藝術(shù)）。

其中的草圖標(biāo)注由FSCOCO數(shù)據(jù)集提供，卡通藝術(shù)圖片和低分辨率圖像由AnimateDiff生成。

同時(shí)，團(tuán)隊(duì)也采用ImageNet-X作為大尺寸粗粒度的多風(fēng)格檢索數(shù)據(jù)集。

ImageNet-X包括100萬(wàn)張帶有各種風(fēng)格標(biāo)注的自然圖片，相較于DSR，ImageNet-X數(shù)據(jù)集的圖片更加簡(jiǎn)單，便于檢索。

提出FreestyleRet框架

概括而言，F(xiàn)reestyleRet框架通過(guò)將圖片風(fēng)格提取并注入，有效解決了當(dāng)前圖片檢索模型無(wú)法兼容不同類型的檢索向量的問(wèn)題。

在構(gòu)建FreestyleRet框架時(shí)，團(tuán)隊(duì)主要考慮到兩個(gè)問(wèn)題：

• 如何有效地理解不同風(fēng)格的查詢向量的語(yǔ)義信息。
• 如何有效利用現(xiàn)有的圖文檢索模型，實(shí)現(xiàn)優(yōu)秀的擴(kuò)展能力。

圍繞這兩個(gè)核心問(wèn)題，團(tuán)隊(duì)設(shè)計(jì)三個(gè)模塊來(lái)組成FreestyleRet框架：

（1）基于格拉姆矩陣的風(fēng)格提取模塊用于顯式提取未知查詢向量的風(fēng)格表征；
（2）風(fēng)格空間構(gòu)建模塊，通過(guò)對(duì)風(fēng)格表征聚類從而構(gòu)建檢索的風(fēng)格空間，并將聚類中心作為風(fēng)格的一致性表征；
（3）風(fēng)格啟發(fā)的提示微調(diào)模塊，通過(guò)對(duì)檢索模型的Transformer layer進(jìn)行風(fēng)格初始化的插值，實(shí)現(xiàn)對(duì)現(xiàn)有檢索模型的多風(fēng)格查詢能力擴(kuò)展。

風(fēng)格提取與風(fēng)格空間的構(gòu)建

格拉姆矩陣被驗(yàn)證為有效的圖像風(fēng)格提取方案，在本論文中團(tuán)隊(duì)采用基于格拉姆矩陣的風(fēng)格提取模塊對(duì)不同類型的查詢向量進(jìn)行風(fēng)格提取。

團(tuán)隊(duì)采用凍結(jié)的VGG輕量化網(wǎng)絡(luò)對(duì)查詢向量進(jìn)行表征編碼，并選取淺層卷積表征作為風(fēng)格提取的基特征，具體公式如下：

在得到查詢向量對(duì)應(yīng)的風(fēng)格表征集合后，團(tuán)隊(duì)為查詢向量集合構(gòu)建整體的風(fēng)格空間。

具體來(lái)說(shuō)，采用K-Means聚類算法，迭代式的計(jì)算四種不同風(fēng)格的查詢向量集合對(duì)應(yīng)的聚類中心，然后再對(duì)每個(gè)風(fēng)格表征計(jì)算其所屬的風(fēng)格中心，并根據(jù)新的風(fēng)格表征集合重新調(diào)整聚類中心的位置。

當(dāng)聚類中心位置不再發(fā)生變化即為迭代完畢，公式如下：

在風(fēng)格空間中，團(tuán)隊(duì)將不同查詢向量風(fēng)格對(duì)應(yīng)的不同聚類中心作為風(fēng)格空間的基向量。

而在推理過(guò)程中面對(duì)未知風(fēng)格的查詢向量，風(fēng)格空間將計(jì)算查詢向量在基向量上的投影，通過(guò)對(duì)基向量投影與基向量的加權(quán)求和，風(fēng)格空間實(shí)現(xiàn)對(duì)未知風(fēng)格的量化。

高效風(fēng)格注入的提示微調(diào)模塊

在圖像文本檢索領(lǐng)域，基于Transformer結(jié)構(gòu)的ALBEF, CLIP, BLIP等基礎(chǔ)檢索模型受到廣泛的使用，很多下游工作采用了這些基礎(chǔ)檢索模型的編碼器模塊。

為了讓FreestyleRet框架能夠便捷且高效的適配這些基礎(chǔ)檢索模型，團(tuán)隊(duì)采用風(fēng)格表征初始化的token對(duì)基礎(chǔ)編碼器的Transformer結(jié)構(gòu)進(jìn)行提示微調(diào)。

具體來(lái)說(shuō)，在encoder layer的每層都插入使用量化風(fēng)格表征初始化的可學(xué)習(xí)token，從而實(shí)現(xiàn)風(fēng)格向編碼器注入的流程。

實(shí)驗(yàn)性能展示

在定量實(shí)驗(yàn)角度，團(tuán)隊(duì)分析了基于FreestyleRet架構(gòu)的BLIP和CLIP模型在DSR數(shù)據(jù)集以及ImageNet-X數(shù)據(jù)集的Recall@1, Recall@5性能。

實(shí)驗(yàn)證明，面對(duì)多種風(fēng)格的查詢向量時(shí)，F(xiàn)reestyleRet框架可以顯著增強(qiáng)現(xiàn)有檢索模型的泛化能力，具有2-4%的提升。

而團(tuán)隊(duì)也進(jìn)一步驗(yàn)證FreestyleRet框架對(duì)于多個(gè)不同風(fēng)格的查詢向量共同輸入的性能，共同輸入的查詢向量可以進(jìn)一步提升模型的檢索精度。

通過(guò)對(duì)特征分布進(jìn)行可視化，團(tuán)隊(duì)發(fā)現(xiàn)使用FreestyleRet結(jié)構(gòu)的基礎(chǔ)檢索模型能夠有效分離查詢向量中的風(fēng)格信息與語(yǔ)義信息，并實(shí)現(xiàn)語(yǔ)義角度的高維空間聚類。

團(tuán)隊(duì)也對(duì)實(shí)際的檢索推理流程進(jìn)行了示例的可視化，以驗(yàn)證模型的泛化性。

總之，模型在5種不同類型的檢索向量上都取得了良好效果，而且還在多種檢索向量共同檢索的子任務(wù)上表現(xiàn)了良好的擴(kuò)展性。

更多詳情歡迎查閱原論文。