导读
最近，大型语言模型 （Large Language Models, LLMs）相关研究和落地取得了显著进展，为实现通用人工智能（AGI）迈出了重要步伐，并在各种语言应用中表现卓越。例如，2022 年底发布的 ChatGPT 能够基于在预训练阶段所见的模式和统计规律，来生成回答和上下文进行互动，真正像人类一样来聊天交流，甚至能完成撰写邮件、文案、翻译、代码、知识问答等任务。利用这些大型语言模型作为语言解码器，以及预训练的视觉大模型为视觉特征编码器，LMMs 同样在理解视觉和语言数据方面也展现出了显著效果。多模态大模型能够提取输入图像/视频的信息，结合大语言模型固有的世界知识，对输入的自然语言指令进行符合逻辑的推理和回答。
本项研究由中科大与字节跳动联合完成，并于2023年8月23日上传至arXiv，原文链接请点击文末阅读原文 直接跳转。本研究中，作者提出了UniDoc，一个面向文字场景 的统一的多模态大模型。UniDoc 专注于包含文本的图像的多模态理解任务。与现有的多模态大模型相比，UniDoc 集成了其它多模态大模型未具备的文本检测 、识别 、以及端到端OCR（spotting）能力。该研究指出，这些能力的学习相互促进彼此提升。论文在四个任务的多个测试基准数据集上，给出了定性和定量的结果，结果显示了 UniDoc 强大的识别和理解能力。在某些文字识别测试基准数据集上，UniDoc 几乎实现了与监督学习持平的性能。
方法
框架
如图所示，UniDoc 将文本检测、识别、spotting 以及多模态理解等任务，在多模态指令微调框架中实现了统一。具体来说，输入图像和指令（例如检测、识别、spotting或语义理解）后，UniDoc 会从图像中提取视觉和文本信息，并基于大型语言模型的知识库，结合指令内容完成回答。
数据
团队收集了大量的PPT图像，并从中提取所有文本实例及其边界框（bbox）。基于这些数据，构建了适用于多任务微调的数据集。考虑到 PPT 中的文字具有多种大小 、字体 、颜色和风格，并且其视觉元素丰富多样，因此这些 ppt 图像非常适合用作多模态文本图像任务的训练数据。以端到端 OCR 任务（spotting）为例，它的输入指令如下表所示。其中的 "term" 代表 "image"、"photo" 等随机图像名词，以丰富指令的多样性。
实验
文字检测，识别和端到端 OCR
在多个文字识别基准数据集上，UniDoc 展现出了优秀的性能。表格中每一列为一个识别基准数据集。研究团队给出了两个输入图像尺度上的定量结果。值得注意的是，UniDoc 并没有利用这些数据集的训练集进行单独训练。此外，在某些数据集上(例如COCO)，UniDoc 的识别准确率已经几乎与监督学习(单独利用该数据集的训练集进行训练)的准确率持平。
如上图所示，其中第一行多个样例来自 WordArt 数据集，而第二行四个样例则源自 TotalText 数据集。尽管这些文本图像展现了各种字体和不规则的文本分布（不曾出现在 ppt 数据中），但 UniDoc 仍能准确识别。
上图为来自 Host 数据集的样例。结果显示，在部分文字被遮挡或缺失的情况下，UniDoc 仍能准确识别。
上图显示了 UniDoc 在 TotalText 数据集上的文本检测效果。
多模态问答
在多个多模态问答标准数据集上，UniDoc 都展现出卓越的性能。研究团队给出了两个输入图像尺度上的定量结果。
如上述示例所展示，UniDoc 不仅能够有效地从图像中提取视觉和文本信息，还能结合其丰富的预训练知识进行合理的回答。比如上图阿甘正传电影海报的例子，它能够从电影海报中的文字知道这是电影《阿甘正传》。进一步地，它能够基于预训练大语言模型的世界知识（电影《阿甘正传》的信息）回答出电影内容。
对于不含文本的图像，UniDoc亦可准确地进行问题回答。
消融实验
论文中提供了一个有趣的实验：输入同一张图像（左），使用spotting指令（右）可以避免使用识别指令（中）时出现的识别遗漏。论文分析，这是因为检测引入了先验信息（某个区域可能有文本）。如下表，作者在多个测试基准数据集上进行实验，spotting指令一致均好于识别指令。
总结
本文引入了一项新工作 UniDoc，这是一种通用的大型多模态模型，用于同时进行文本检测、识别、识别和理解。通过提出的统一多模态指令调整，UniDoc 有效地利用了基于文本的任务之间的有益交互，不仅解决了现有大型多模态模型的缺点，而且还增强了其原有的功能。此外，为了实现 UniDoc，研究团队贡献了一个遵循数据集的大规模多模式指令。实验表明，UniDoc 在多个基准测试中设置了最先进的分数。然而，目前 UniDoc 无法提取细粒度的视觉特征进行检测和识别，并且输入图像的分辨率仍然是一个限制，这将会一个不错的改进点。