在视觉提示中加入「标记」，微软等让GPT-4V看的更准、分的更细

全新视觉提示方法 SoM（Set-of-Mark），让 OpenAI 多模态大模型 GPT-4V 在视觉内容理解方面有了质的提升。

原文来源：机器之心

图片来源：由无界AI生成

最近一段时间，我们见证了大型语言模型（LLM）的显著进步。特别是，生成式预训练 Transformer 或 GPT 的发布引领了业界和学术界的多项突破。自 GPT-4 发布以来，大型多模态模型 (LMM) 引起了研究界越来越多的兴趣，许多工作致力于构建多模态 GPT-4。 

近日，GPT-4V (ision) 由于出色的多模态感知和推理能力得到了大家格外的关注。然而，尽管 GPT-4V 具有前所未有的视觉语言理解能力，但其细粒度 visual grounding（输入是图片和对应的物体描述，输出是描述物体的 box）能力相对较弱，或者尚未发挥出来。

举例来说，当用户询问下图中「放置在右边笔记本电脑的左边是什么物体？」GPT-4V 给出了马克杯这个错误的答案。当用户接着询问，「想找一个靠窗的座位，我可以坐在哪里？」GPT-4V 同样回答不正确。

在意识到上述问题后，来自微软、香港科技大学等机构的研究者提出了一种新的视觉 prompt 方法 Set-of-Mark（SoM），来解决 GPT-4V 在细粒度视觉任务上的问题。

论文地址：https://arxiv.org/pdf/2310.11441.pdf 论文主页：https://som-gpt4v.github.io/

如图 1（右）所示，SoM 采用交互式分割模型（例如 SAM）将图像划分为不同粒度级别的区域，并在这些区域上添加一组标记（mark），例如字母数字、掩码（mask）、框（box）。使用添加标记的图像作为输入，以解决上述问题。

我们先来看下效果，左为 GPT-4V，右为 GPT-4V+SoM，很明显后者分类更细致、准确。

下图示例依然如此，GPT-4V+SoM 效果更明显。

此外，对于这项研究，有人问道：「SoM 是手动（人工输入）还是自动的？」

论文一作 Jianwei Yang 表示，SoM 是自动或半自动的。他们编译了很多自己构建自己的分割工具，比如 SEEM、Semantic-SAM 和 SAM，用来帮助用户自动为图像分割区域。同时用户也可以自己选择区域。

用于视觉的 SoM prompt

使用 SoM prompt GPT-4V 的独特优点是它可以产生文本之外的输出。由于每个标记都与掩码表征的图像区域特定关联，因此可以追溯文本输出中任何提到的标记的掩码。

生成成对文本和掩码的能力使 SoM 能够 prompt GPT-4V 来生成视觉关联的文本，更重要的是支持各种细粒度视觉任务，这对普通的 GPT-4V 模型来说是一个挑战。

通过简单的 prompt 工程，SoM 可以让 GPT-4V 广泛地用于多种视觉任务，例如：

开放词汇图像分割：该研究要求 GPT-4V 详尽地给出所有标记区域的类别以及从预定池中选择的类别。 参考分割：给定一个参考表达式，GPT-4V 的任务是从图像分区工具箱生成的候选区域中选择最匹配的区域。 短语关联（Phrase Grounding）：与参考分割略有不同，短语关联使用由多个名词短语组成的完整句子。该研究要求 GPT-4V 为所有标记的短语分配相应的区域。 视频对象分割：以两个图像作为输入。第一个图像是查询图像，其中包含第二个图像中需要识别的一些对象。鉴于 GPT-4V 支持多个图像作为输入，因此 SoM 也可以应用于视频中跨帧的关联视觉对象。

实验及结果

研究者使用「分而治之」（divide-and-conquer）的策略来运行实验和评估。对于每个实例，他们使用新的聊天窗口，这样一来，评估期间就不会出现上下文泄露了。