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。
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（输出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 在细粒度视觉义务上的问题。
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 采用交互式分隔模型（例如 SAM）将图象划分为不同粒度级别的地区，并在这些地区上添加一组标志（mark），例如字母数字、掩码（mask）、框（box）。运用添加标志的图象作为输出，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（人工输出）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隔工具，比如 SEEM、Semantic-SAM 和 SAM，用来帮助用户自动为图象分隔地区。同时用户也可以自己采用地区。
用于视觉的 SoM prompt
运用 SoM prompt GPT-4V 的独特优点是它可以产生文本之外的输出。由于每一个标志都与掩码表征的图象地区特定联系关系，因此可以追溯文本输出中任何提到的标志的掩码。
生成成对文本和掩码的能力使 SoM 能够 prompt GPT-4V 来生成视觉联系关系的文本，更重要的是支持各种细粒度视觉义务，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义务，例如：
开放词汇图象分隔：该研究要求 GPT-4V 详尽地给出所有标志地区的类别以及从预定池中采用的类别。
参照分隔：给定一个参照表达式，GPT-4V 的义务是从图象分区工具箱生成的候选地区中采用最匹配的地区。
短语联系关系（Phrase Grounding）：与参照分隔略有不同，短语联系关系运用由多个名词短语组成的完整句子。该研究要求 GPT-4V 为所有标志的短语分配相应的地区。
视频对象分隔：以两个图象作为输出。第一个图象是查询图象，其中包含第二个图象中需要识别的一些对象。鉴于 GPT-4V 支持多个图象作为输出，因此 SoM 也可以应用于视频中跨帧的联系关系视觉对象。
实验及结果
研究者运用「分而治之」（divide-and-conquer）的策略来运行实验和评价。对于每一个实例，他们运用新的聊天窗口，这样一来，评价期间就不会出现上下文泄露了。
具体来讲，研究者从每一个数据集中采用了小规模的验证数据子集。对于数据集中的每一个图象，他们在运用图象分隔工具箱提取的地区上覆盖了一组标志。同时基于具体的义务，研究者利用不同的分隔工具来提出地区。
下表 1 列出了每一个义务的设置细节。
研究者将其方法与以下模型进行比较：
预测坐标的 GPT-4V 基线模型
SOTA 专用模型
开源 LMM
定量结果
详细的实验结果如下表 2 所示。
首先是图象分隔义务。研究者将 GPT-4V + SoM 与 COCO Panoptic 分隔数据集上的强大分隔模型 MaskDINO、ADE20K Panoptic 分隔数据集上的模型 OpenSeeD 进行了比较。
结果显示，GPT-4V + SoM 的零样本机能接近微调后的 MaskDINO，并大幅优于 OpenSeeD。GPT-4V 在 COCO 和 ADE20K 上的相似机能表现出其对广泛视觉和语义域义务的强大泛化能力。
然后是参照（referrring）义务，研究者评价了 RefCOCOg 数据集上的模型 RES 和 REC。他们运用 MaskDINO 来提出掩码，并在图象上覆盖上掩码和数字。同时运用 mIoU 作为评价指标，并与 SOTA 专用模型 PolyFormer 和 SEEM 进行比较。
结果显示，GPT-4V+SoM 击败了 Grounding DINO、Polyformer 等专用模型以及 Shikra、LLaVA-1.5、MiniGPT-v2 和 Ferret 等最近的开源 LMM。
接着是 Flickr30K 上的短语联系关系义务，研究者运用 Grounding DINO 为每一个图象生成框建议。GPT-4V+SoM 实现了比 GLIPv2 和 Grounding DINO 更强的零样本机能。
最后研究者在 DAVIS2017 数据集上评价了视频分隔义务。GPT-4V+SoM 实现了优于其他专用视觉模型的最佳追踪机能（78.8 J&F）。
消融研究
研究者探讨了标志类型如何影响 Flickr30k 数据集上短语联系关系义务的最终机能，并比较了两种类型的标志。第一种是数字和掩码，第二种是数字、掩码和框。
结果如下表 3 所示，添加额外的框可以显著提升机能。
此外研究者探究了当生成带有真值注释的标志时，GPT-4V 如何表现。他们采用在 RefCOCOg 验证集中用真值掩码替换预测到的分隔掩码。这意味着 GPT-4V 只需要从注释短语地区采用一个即可。如预期一样，参照分隔的机能可以得到进一步提升，尤其是当分隔模型有一些缺失的地区。
结果如下表 4 所示，在 SoM 中运用真值掩码可以将 RefCOCOg 上的机能提升 14.5％（mIoU）。
更多技术细节和实验结果参阅原论文。