第311章 降温

态检索增强的现状和进展，我们首先定义并讨论了两个关键概念的背景：多模态学习和检索增强生成（RAG）。2.1多模态学习多模态学习是指学习不同模态数据的统一表征。它的目的是提取互补信息，以促进合成任务的完成（Baltrusaitis et al.Baltrusaitis et al., 2018; Gao et al., 2020). 在这项调查中，我们包括了所有格式不同于自然语言的模式，其中包括图像、代码、结构化知识（如......例如 表、知识图谱）、音频和视频。

3多模态检索-增强生成每种模式都有不同的检索和合成程序、目标任务和挑战。因此，我们按图像、代码、结构化知识、音频和视频等模式对相关方法进行分组讨论。3.1图像预训练模型的最新进展为一般图像-文本多模态模型提供了启示。

然而，这些模型需要大量的计算资源进行预训练，并需要大量的模型参数--因为它们需要记忆大量的世界知识。更关键的是，它们无法有效处理新知识或领域外知识。为此，人们提出了多种检索增强方法，以更好地整合图像和文本文档中的外部知识。在一般的文本生成任务中，图像检索也可以通过扩展文本生成语境来提高生成质量，从而增加 "想象力"。视觉问题解答（VQA） 为了解决开放域的 VQA 问题，RA-VQA (Lin 和 Byrne, 2022b) 通过对检索到的文档进行近似边际化预测，联合训练文档检索器和答案生成模块。它首先利用现有的对象检测、图像标题和光学字符识别（OCR）工具将目标图像转换为文本数据。然后，它执行密集段落检索（DPR）。

也将 LLM 视为隐式知识库，并从 GPT-3 中提取相关隐式信息。即插即用 利用 根据初始问题定位相关部分。然后，它对检索到的图像补丁执行图像标题处理，以获取增强上下文。除了纯文本增强上 同时检索文本和图像数据，并将图像作为视觉标记。RAMM(Yuan et al., 2023) 检索类似的生物医学图像和标题，并通过不同的网络对其进行编码。图像标题 生成多种风格的标题、 周和龙 (2023)在生成标题前使用了一种风格感知视觉编码器来检索图像内容。除了对视觉信息进行简单的编码外，Cho 等人还使用了视觉编码器、 Cho et al. (2022) 进一步使用图像-文本对之间的多模态相似性作为奖励函数来训练更精细的字幕模型。除了检索图像

本章未完，请点击下一页继续阅读！ 第2页 / 共4页