SigLIP

概述

CLIP自提出以来在zero-shot分类、跨模态搜索、多模态对齐等多个领域得到广泛应用。得益于其令人惊叹的能力，激起了研究者广泛的关注和优化。

目前对CLIP的优化主要可以分为两大类：

其一是如何降低CLIP的训练成本；
其二是如何提升CLIP的performance。
对于第一类优化任务的常见思路有3种。

优化训练架构，如 LiT 通过freezen image encoder，单独训练text encoder来进行text 和image的对齐来加速训练；
减少训练token，如 FLIP 通过引入视觉mask，通过只计算非mask区域的视觉表征来实现加速（MAE中的思路）
优化目标函数，如 CatLIP 将caption转为class label，用分类任务来代替对比学习任务来实现加速。
对于第二类提升CLIP的performance最常用和有效的手段就是数据治理，即构建高质量、大规模、高多样性的图文数据，典型的工作如：DFN。

SigLIP这篇paper提出用sigmoid loss来做图文对比训练。这个方案既能降低训练成本，在小batch下（低于32k）performance也优于传统方法。

方法

对于经典的softmax-based优化目标InfoNCE，其核心思路是让positive的图文对的距离越近越好，让negative图文对的距离越远越好，计算公式如下：

\[ \begin{equation}- \frac { 1 } { 2 | \mathcal { B } | } \sum _ { i = 1 } ^ { | \mathcal { B } | } \left( \overbrace { \log \frac { e ^ { t \mathbf { x } _ { i } \cdot \mathbf { y } _ { i } } } { \sum _ { j = 1 } ^ { | \mathcal { B } | } e ^ { t \mathbf { x } _ { i } \cdot \mathbf { y } _ { j } } } } ^ { \mathrm { i m a g e \space \to t e x t \space s o f t m a x } } + \overbrace { \log \frac { e ^ { t \mathbf { x } _ { i } \cdot \mathbf { y } _ { i } } } { \sum _ { j = 1 } ^ { | \mathcal { B } | } e ^ { t \mathbf { x } _ { j } \cdot \mathbf { y } _ { i } } } } ^ { \mathrm { t e x t } \rightarrow \mathrm{image \, softmax} } \right)\end{equation} \]

其中： $\mathbf { x } _ { i } = \frac { f ( I _ { i } ) } { \| f ( I _ { i } ) \| _ { 2 } }$ $\mathbf { y } _ { i } = \frac { g ( T _ { i } ) } { \| g ( T _ { i } ) \| _ { 2 } }$, $f(\cdot)$和$g(\cdot)$分别为视觉和文本的编码器

InfoNCE的缺点

softmax的计算存在数值不稳定的问题，需要引入额外的trick保证softmax的计算稳定性。
计算量大。softmax loss的非对称（asymmetry），需要做了两次normalization，即$\sum _ { j = 1 } ^ { | \mathcal { B } | } e ^ { t \mathbf { x } _ { j } \cdot \mathbf { y } _ { i } } \neq \sum _ { j = 1 } ^ { | \mathcal { B } | } e ^ { t \mathbf { x } _ { i } \cdot \mathbf { y } _ { j } } $。并且计算稳定性的trick也需要引入额外的计算量。
显存占用大，由于要计算normalize，需要维护一个很大的概率分布矩阵。假定batch size为32k，那么这个概率分布矩阵的大小为$32k \times 32k$
下面来看文本提出的sigmoid loss 。其定义如下：

\[ \begin{equation}-\frac { 1 } { | \mathcal { B } | } \sum _ { i = 1 } ^ { | \mathcal { B } | } \sum _ { j = 1 } ^ { | \mathcal { B } | } \underbrace { \log \frac { 1 } { 1 + e ^ { z _ { i j } ( - t \mathbf { x } _ { i } \cdot \mathbf { y } _ { j } + b ) } } } _ { \mathcal { L } _ { i j } } \end{equation} \]

从上式可见，Sigmoild loss将每对图文对独立看待。即分别将每对图文对做二分类。

当$(I_i, T_i)$时为正例。
当$(I_i, T_{j, j\neq i})$时为负例。
式子中，$z _ { i j }$为图文对的标签，1表示是正例，-1表示是负例。直观来看，上式明显存在正负样本不均衡的问题，batch size为$\mathcal{B}$ 时，正例数为$\mathcal{B}$，负例数为 $|\mathcal{B}|^ 2 - |\mathcal{B}|$。为了缓解正负样本不均衡，作者引入两个learnable parameter $t,b$ 来调节正负例的梯度，$t$ 调节梯度敏感度, $b$ 补偿样本数量差异,初始时 $t=\log 10， b=−10$.

多卡场景下，可以用式(3)的通信策略实现高效训练。

\[ \begin{equation}-\frac{1}{\mathcal{B}} \underbrace{ \sum _ {d_i = 1} ^ {D} } _ {\mathbf{A} \, \forall \, \mathrm{device} \, d_i} \overbrace{ \sum _ {d_j = 1} ^ {D} }^{\substack{\mathbf{B:\,} \mathrm{swap\, negs} \\ \mathrm{across\, devices}}} \overbrace{ \underbrace{\sum_{i=bd_i}^{b(d_i + 1)}}_{ \substack{ \mathrm{all \, local} \\ \mathrm{ positives}}} \underbrace{\sum_{j=bd_j}^{b(d_j + 1)}}_{ \substack{ \mathrm{negs \, from} \\ \mathrm{next \, device}}} \mathcal{L}_{ij} }^{\mathbf{C:\,} \mathrm{per\, device \, loss}}\end{equation} \]

实验

The influence of batch size

在之前的研究表明：对比学习的batch size越大，效果越好。但之前的研究受限成本，最大只研究到64k。这篇paper将batch size扩大到1M。结果表明，当batch size达到32k，继续扩大的收益就很低了，达到256k后，收益达到顶峰。随后根据上述经验，作者对比了sigmoid和softmax的scale up batch size的能力，有以下几点核心结论：

sigmoid loss相比softmax loss更节约显存。用sigmoid loss时，4张TPU-v4能够容纳4096个batch size，但若用softmax，batch size只能容纳2048。
在小batch下（batch size低于32k）sigmoid-based明显优于softmax-based loss，随着batch size进一步增加，二者差距逐渐减少。

The influence of positive and negative pairs ratio

对于sigmoid来说，它的loss是以pair为粒度计算的，positive和negative非常不平衡。以batch size

$|\mathcal{B}| = 16k$为例（有16k个图文对）,只有$16k$个positive samples，但有 $16k * 16k - 16k = 16k(16k-1)$ 个negative samples，其positive和negative的比率约为$1:16k$。

因此，有必要深入探究positive和negative的不平衡对模型的影响。得益于sigmoid loss以pair为粒度的计算方式，我们可以很方便的人为控制正负样本的比例。作者尝试了4种方式调控positive和negative的比例

Random: 通过随机mask掉negative sample，来保证positive和negative的占比
Hard：通过mask掉loss较低的negative sample ，来保证positive和negative的占比
Hard, matched pair：通过mask掉loss较低的negative的sample，来保证positive和negative的占比。由于上述mask的操作，模型的可见的pair 少，此实验通过增加iteration来保证”pair seen”和原始一致。（相当于常用的resample方法）
Easy：通过mask掉loss较高的negative sample，来保证positive和negative的占比。
作者在SigLIT上用进行以上四种mask out机制的实验。

$|\mathcal{B}| = 16k$，迭代$\mathrm{Iter}=900M$

结果表明：

不做matched pair的情况下，用3种mask方式均会造成精度下降。影响程度：easy>random>hard。
Hard sample mining + matched pair有助于进一步提升模型性能。
当正负样本的imbalance减弱时，learnable bias和pair的logit都在上升，说明了预设的learnable bias起到了积极的作用。
总体来看，得益于learnable temperature和learnable bias，sigmoid loss的正负样本不均衡基本不会导致模型性能下降。

文中对这两个超参数的初始值进行了进一步实验，结果如下。（可见引入合适的prior knowledge对提升模型performance非常有效）

SigLIP2

概述

SigLIP 2基于原始SigLIP的成功进行了扩展和改进。这个新版本整合了多种独立开发的技术，形成了一个统一的训练方案，包括：

基于图像描述的预训练
自监督损失（自蒸馏、掩码预测）
在线数据筛选
SigLIP 2模型在所有模型规模上都优于原始SigLIP，包括零样本分类、图像-文本检索和作为视觉语言模型(VLMs)的视觉表示提取器的迁移性能。此外，新的训练方案在定位和密集预测任务上也带来了显著改进。

SigLIP 2提供以下关键优势：

强大的多语言视觉-语言编码器：在英语为中心的视觉-语言任务上表现出色，同时在多语言基准测试上提供强大的结果。
密集特征：通过自监督损失和基于解码器的损失，提供更好的密集特征（如用于分割和深度估计）并改进定位任务（如指代表达理解）。
向后兼容性：与SigLIP保持相同的架构，使现有用户只需简单地更换模型权重和分词器（现在是多语言的）即可在广泛任务上获得改进。
原生宽高比和可变分辨率：包括NaFlex变体，支持多种分辨率并保留原始图像宽高比。
强大的小型模型：通过主动数据筛选的蒸馏技术进一步优化了较小模型(B/16和B/32)的性能。

训练方案

基础架构、训练数据和优化器

架构：遵循SigLIP的架构，使用标准ViT架构和学习位置嵌入。图像和文本塔使用相同的架构，g尺寸的视觉编码器与So400m尺寸的文本编码器配对。使用MAP头（注意力池化）进行视觉和文本表示的池化。
文本处理：文本长度设为64，使用多语言Gemma分词器（词汇量256k），在分词前将文本转为小写。
训练数据：使用WebLI数据集，包含100亿图像和120亿alt文本，覆盖109种语言。混合比例为90%来自英语网页，10%来自非英语网页。应用 M4(Google 自家ICLR2024的论文) 的过滤技术，以减轻数据在敏感属性方面的表示和关联偏差。
优化器：使用Adam优化器，学习率$10^{-3}$，解耦权重衰减 $10^{-4}$，梯度裁剪至范数 1。批量大小为32k，使用余弦调度，预热步骤20k，总共训练40B样本。

使用Sigmoid损失和解码器训练

在预训练的第一步中，SigLIP 2将SigLIP与LocCa结合，简单地将两个损失函数以相等的权重组合。

目的是在siglip基础中，增加视觉（位置敏感）特征的表达能力。结构如图中右半边所示

SigLIP损失：通过将每个图像嵌入与mini-batch中的每个文本嵌入组合，创建二元分类问题，并通过sigmoid损失训练嵌入来分类匹配和不匹配的对。
LocCa损失：通过交叉注意力将标准transformer decoder 附加到未池化的视觉编码器表示上。解码器遵循文本编码器的形状，但添加了交叉注意力层，并将层数减少了一半。
对于所有模型大小，视觉编码器的patch大小设为16，图像分辨率为256（图像表示序列长度为256）。

使用自蒸馏和掩码预测训练

遵循SILC和TIPS的方法，在上面描述的训练设置基础上，增加了局部到全局对应学习，包括自蒸馏和掩码预测损失，以改进（未池化的）特征表示的局部语义。结构如图中左半边所示，具体添加了两个损失项：

局部到全局一致性损失(SILC )：视觉编码器成为学生网络，接收训练图像的部分（局部）视图，并训练以匹配教师的表示（来自完整图像）。教师参数是学生参数在之前迭代中的指数移动平均(EMA)。使用1个全局（教师）视图和8个局部（学生）视图。
掩码预测目标(TIPS)：在学生网络中将50%的嵌入图像块替换为掩码标记，并训练学生以匹配教师在掩码位置的特征。
这些损失在训练完成80%时添加，使用原始图像计算SigLIP和LocCa损失，在额外的增强视图上应用额外的损失。第一和第二损失项的权重分别设为1和0.25，并根据模型大小进一步重新加权。

适应不同分辨率

固定分辨率
可变宽高比和分辨率(NaFlex)

通过主动数据筛选进行蒸馏

为了最大化最小的固定分辨率模型（ViT-B/16和ViT-B/32）的性能，在简短的微调阶段从教师（参考）模型中蒸馏知识。降低学习率至10^-5，移除权重衰减，仅使用sigmoid图像-文本损失继续训练这些模型额外4B样本。

在这个阶段，使用ACID方法[61]通过"数据蒸馏"进行隐式蒸馏。在每个训练步骤中，教师模型和当前学习者模型用于根据样本的"可学习性"（ACID）对样本进行评分。然后使用这些分数从更大的btach中联合选择最佳的32k大小的批次。

实验

SigLIP 2发布了四种大小的模型检查点：

ViT-B (86M参数)
ViT-L (303M参数)
ViT-So400m (400M参数)
ViT-g (1B参数)
在ImageNet-1k验证集上的零样本分类准确率：
B/16 (256px): 79.1%