轻松拿捏4K高清影像理解！这个多模态大模型自动分析网页海报内容，打工人简直不要太方便

今天小编分享的科学经验：轻松拿捏4K高清影像理解！这个多模态大模型自动分析网页海报内容，打工人简直不要太方便，欢迎阅读。

一个可以自动分析 PDF、网页、海报、Excel 图表内容的大模型，对于打工人来说简直不要太方便。

上海 AI Lab，香港中文大学等研究机构提出的 InternLM-XComposer2-4KHD（简写为 IXC2-4KHD）模型让这成为了现实。

相比于其他多模态大模型不超过 1500x1500 的分辨率限制，该工作将多模态大模型的最大输入影像提升到超过 4K （3840 x1600）分辨率，并支持任意长宽比和 336 像素～4K 动态分辨率变化。

发布三天，该模型就登顶 Hugging Face 视觉问答模型热度榜单第一。

轻松拿捏 4K 影像理解

先来看效果 ~

研究人员输入论文（ShareGPT4V: Improving Large Multi-Modal Models with Better Captions）的首页截图（分辨率为 2550x3300），并询问论文哪个模型在 MMBench 上的性能最高。

需要注意的是，该信息在输入截图的正文文字部分并未提及，仅仅出现在一个相当复杂的雷达图中。面对这么刁钻的问题，IXC2-4KHD 成功理解了雷达图中的信息，正确回答问题。

面对更加极端分辨率的影像输入（816 x 5133），IXC2-4KHD 轻松理解影像包括 7 个部分，并准确说明了每个部分包含的文字信息内容。

随后，研究人员还在 16 项多模态大模型评测指标上全面测试了 IXC2-4KHD 的能力，其中 5 项评测（DocVQA、ChartQA、InfographicVQA、TextVQA、OCRBench）关注模型的高分辨率影像理解能力。

仅仅使用 7B 参数量，IXC2-4KHD 在其中 10 项评测取得了媲美甚至超越 GPT4V 和 Gemini Pro 的结果，展现了不局限于高分辨率影像理解，而是对各种任务和场景的泛用能力。

△仅 7B 参数量的 IXC2-4KHD 性能媲美 GPT-4V 和 Gemini-Pro 如何实现 4K 动态分辨率？

为了实现 4K 动态分辨率的目标，IXC2-4KHD 包括了三个主要设计：

（1）动态分辨率训练：

△4K 分辨率影像处理策略

在 IXC2-4KHD 的框架中，输入影像在保持长宽比的情况下，被随机放大到介于输入面积和最大面积（不超过 55x336x336，等价于 3840 x1617 分辨率）的一个中间尺寸。

随后，影像被自动切块成多个 336x336 的区網域，分别抽取视觉特征。这种动态分辨率的训练策略可以让模型适应任意分辨率的视觉输入，同时也弥补了高分辨率训练数据不足的问题。

实验表明，随着动态分辨率上限的增加，模型在高分辨率影像理解任务（InfographicVQA、DocVQA、TextVQA）上实现了稳定的性能提升，并且在 4K 分辨率仍然未达到上界，展现了更高分辨率进一步扩展的潜力。

（2）添加切块布局信息：

为了使模型能够适应变化丰富的动态分辨率，研究人员发现需要将切块布局信息作为额外的输入。为了实现这个目的，研究人员采取了一种简单的策略：一个特殊的‘换行’（’ n ’）令牌被插入到每一行的切块之后，用于告知模型切块的布局。实验表明，添加切块布局信息，对于变化幅度比较小的动态分辨率训练（HD9 代表切块区網域个数不超过 9）影响不大，而对于动态 4K 分辨率训练则可以带来显著的性能提升。