MM-Interleaved: Interleaved Image-Text Generative Modeling via Multi-modal Feature Synchronizer

计算机科学 生成语法 特征(语言学) 图像(数学) 背景(考古学) 生成模型 人工智能 过程(计算) 情态动词 编码(集合论) 模式识别(心理学) 计算机视觉 古生物学 哲学 语言学 化学 集合(抽象数据类型) 高分子化学 生物 程序设计语言 操作系统
作者
Changyao Tian,Xizhou Zhu,Yuwen Xiong,Weiyun Wang,Zhe Chen,Wenhai Wang,Yuntao Chen,Lewei Lu,Tong Lü,Jie Zhou,Hongsheng Li,Yu Qiao,Jifeng Dai
出处
期刊:Cornell University - arXiv 被引量:2
标识
DOI:10.48550/arxiv.2401.10208
摘要

Developing generative models for interleaved image-text data has both research and practical value. It requires models to understand the interleaved sequences and subsequently generate images and text. However, existing attempts are limited by the issue that the fixed number of visual tokens cannot efficiently capture image details, which is particularly problematic in the multi-image scenarios. To address this, this paper presents MM-Interleaved, an end-to-end generative model for interleaved image-text data. It introduces a multi-scale and multi-image feature synchronizer module, allowing direct access to fine-grained image features in the previous context during the generation process. MM-Interleaved is end-to-end pre-trained on both paired and interleaved image-text corpora. It is further enhanced through a supervised fine-tuning phase, wherein the model improves its ability to follow complex multi-modal instructions. Experiments demonstrate the versatility of MM-Interleaved in recognizing visual details following multi-modal instructions and generating consistent images following both textual and visual conditions. Code and models are available at \url{https://github.com/OpenGVLab/MM-Interleaved}.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
刚刚
1秒前
RayLam发布了新的文献求助10
1秒前
JIE完成签到,获得积分10
2秒前
3秒前
3秒前
Orange应助张飞扬采纳,获得10
3秒前
标致初晴发布了新的文献求助10
5秒前
liuyichen发布了新的文献求助10
6秒前
Owen应助sanlunainiu采纳,获得10
6秒前
热心灯泡完成签到,获得积分10
7秒前
上进生发布了新的文献求助10
7秒前
zzz应助臭弟弟你别摆了采纳,获得10
8秒前
9秒前
研友_8DWkVZ完成签到,获得积分10
9秒前
李小鑫吖发布了新的文献求助10
9秒前
9秒前
yyy完成签到,获得积分10
12秒前
陌殇完成签到,获得积分10
13秒前
高高雁枫完成签到,获得积分20
13秒前
山楂看海完成签到,获得积分10
15秒前
bkagyin应助www采纳,获得10
17秒前
金山完成签到,获得积分10
18秒前
19秒前
19秒前
21秒前
wjy完成签到,获得积分20
22秒前
青青儿发布了新的文献求助10
24秒前
Hello应助y彤采纳,获得10
24秒前
123456完成签到,获得积分10
25秒前
hc完成签到,获得积分10
26秒前
26秒前
Qing完成签到,获得积分10
26秒前
最近不写作业关注了科研通微信公众号
27秒前
高高雁枫发布了新的文献求助20
28秒前
辛桥完成签到,获得积分10
29秒前
byebyettt完成签到 ,获得积分10
30秒前
慕青应助搞怪的海露采纳,获得10
32秒前
Qing发布了新的文献求助20
32秒前
34秒前
高分求助中
Lire en communiste 1000
Ore genesis in the Zambian Copperbelt with particular reference to the northern sector of the Chambishi basin 800
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 700
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 700
Becoming: An Introduction to Jung's Concept of Individuation 600
Die Gottesanbeterin: Mantis religiosa: 656 500
Communist propaganda: a fact book, 1957-1958 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3170264
求助须知:如何正确求助?哪些是违规求助? 2821446
关于积分的说明 7934195
捐赠科研通 2481692
什么是DOI,文献DOI怎么找? 1322045
科研通“疑难数据库(出版商)”最低求助积分说明 633451
版权声明 602595