概述
这篇论文提出了一种名为视觉模块插件多模态检索模型（MARVEL），它学习了一个嵌入空间，用于对查询和多模态文档进行检索。MARVEL使用统一的编码器模型对查询和多模态文档进行编码，这有助于减少图像和文本之间的模态差异。具体来说，我们通过将视觉模块编码的图像特征作为输入，增强了训练有素的密集检索器T5-ANCE的图像理解能力。为了促进多模态检索任务，我们基于ClueWeb22数据集构建了ClueWeb22-MM数据集，该数据集将锚文本视为查询，并从锚链接的网页中提取相关的文本和图像文档。我们的实验表明，MARVEL在多模态检索数据集WebQA和ClueWeb22-MM上显著优于最先进的方法。MARVEL提供了一个机会，将文本检索的优势扩展到多模态场景。此外，我们还展示了语言模型具有提取图像语义的能力，并能将部分图像特征映射到输入词嵌入空间。
论文地址：
https://arxiv.org/pdf/2310.14037
代码地址：
https://github. com/OpenMatch/MARVEL
01
Multi-Modal Retrival
随着互联网和多模态内容的增长，越来越多的浏览器或应用程序能够更轻松地返回相关内容给用户。
多模态检索任务的目标是根据用户查询从多模态源（如图像和文本）中检索文档。它侧重于查询和多模态文档之间的相关性建模，而不是文本-图像匹配。在某些场景中，使用图像来回答查询可能更为合适，如左图所示。
例如，对于“谁是图灵”的查询，它不仅返回文本，还可能提供图像。主要检索方法有两种：第一种是“分而治之”，就是分别进行图片和文本检索，然后采用某种方式如视觉语言模型合并检索结果；第二种是使用统一的视觉-语言模型进行综合检索。
现有的通用视觉-语言密集检索模型学习了一个用于多模态文档的通用嵌入空间，允许它在不同模态之间搜索候选项。然而，在编码过程中，文本和图像使用不同的编码器。为了缩小模态差异，UNIVL-DR将图像特征转化为文本，以增强原始文本空间中的图像文档。
本文中，作者旨在解决这样一个问题：能否建立一个统一的多模态的编码模型，将多模态信息映射到统一的三维空间中，以缓解不同编码器带来的模态差异。
02
Multi-modAl Retrieval model with MARVEL
在这篇工作中，作者设计了一个多模态检索模型MARVEL，通过视觉模块插件，统一编码图像和文本文档以及查询，以减轻图像和文本之间的模态差异。
文中使用插件视觉模块对图像特征进行编码并映射到语言模型空间。具体来说，使用CLIP的视觉编码器来编码图像特征，并使用一个适配层将视觉表示投影到密集检索模型的词嵌入空间，然后将视觉表示和图像标题词嵌入进行拼接。
此外，本文使用两个特殊标记和来指示图像特征的开始和结束。
随后，将图像特征和标题的联合嵌入输入到语言模型中，以获得图像文档的表示。
对于查询和文本文档，作者直接使用语言模型对它们进行编码。最终，查询、图像文档和文本文档都被映射到一个通用的嵌入空间中，以进行多模态密集检索。
在预训练阶段，本文遵循先前的工作，将图像和标题都视为查询，以计算双向对比学习损失，这有助于通过联合损失对齐图像和文本的模态。在整个过程中，仅更新视觉编码器和适配层的参数，以使视觉模块适应语言模型。
在微调阶段，作者冻结视觉编码器的参数并更新其他参数。为了减轻模态歧视问题并将图像理解能力整合到语言模型中，本文采用了模态平衡的硬负样本训练方法，以对齐查询与正样本候选项，并引导模型选择正确的模态，并保证嵌入空间的统一。
03
ClueWeb22-MM Dataset
此外，为了促进多模态检索任务，作者基于ClueWeb22构建了ClueWeb22-MM数据集，其规模与现有的开源数据集WebQA相匹配。
文中将锚文本视为查询，并将链接网页中的相应图像或文本文档视为其最佳的相关文档。
本文使用ClueWeb22-MM和WebQA数据集进行微调和推理，并使用从ClueWeb22数据集中提取的图像-标题对进行预训练。相应的统计数据在右侧的表格中展示。
04
Overall Performance
本文首先评估了MARVEL和现有模型的整体检索性能。
与主要基线UniVL-DR相比，MARVEL在两个数据集上的检索效率都有显著提高，证明了使用通用模型缓解模态差异的有效性。
此外，如图中所示，当用户询问“在‘和平与繁荣’中可以找到哪两种动物？”时，MARVEL可以直接提供一幅名为“和平与繁荣”的画作，帮助用户回答这个问题。
05
Effectiveness of Fusion Strategies
关于视觉-语言模型的融合方法，作者测试了三种不同的模态融合策略：插件式（plugin）、拼接（concatenation）和求和（sum）。
拼接和求和方法分别对图像和标题进行编码，然后将嵌入向量进行拼接或求和，以获得最终的表示。
本文实验表明，插件式方法可以通过联合建模文本和图像来缓解模态差异，并通过语言模型的注意力头促进图像和文本之间的更深层次交互，从而实现最佳的检索结果。
06
Effectiveness of Visual Module Adaption Pretraining
为了验证视觉模块适配预训练的有效性，本文在两个数据集上测试了模型的检索性能。
通过视觉模块预训练，MARVEL的检索能力得到了显著增强，这为将视觉模块适配到语言模型提供了一些机会。
然后，取视觉模块编码的图像向量，并使用余弦相似度来找到它们最接近的词元。
如图中所示，通过视觉模块预训练，MARVEL学习了更有效的表示，这些表示更接近图像的语义。它从图像中捕获了更细粒度的语义信息，例如车辆、旗帜和军事。
相比之下，未经预训练的模型只能捕获图像中描绘的国家的信息。
07
Effectiveness of Finetuning Strategies
然后，作者在文本/图像/多模态检索任务上进行了实验，以展示四种不同微调策略的有效性。在这四种策略中，适配层始终会被更新。
当仅微调T5的参数时，MARVEL在图像和多模态检索任务上取得了显著的改进，特别是与其他模型相比，这证明了MARVEL在将视觉模块适配到密集检索模型上的强能力。
01
Conclusion
本文提出了一个多模态检索模型MARVEL。通过使用视觉模块插件，作者通过通用建模减轻了图像和文本之间的模态差异，将文本检索模型的优势引入到了多模态检索任务，并在两个数据集ClueWeb22-MM和WebQA上都达到了最佳水平
本文的预训练和微调方法使语言模型能够有效地提取图像语义，并将图像特征部分映射到语言词嵌入空间。
此外，作者构建了一个多模态检索基准ClueWeb22-MM，以进一步推进多模态检索领域的发展。