谷歌AI研究团队与加州大学圣迭戈分校的研究人员合作，提出了一种名为PixelLLM的智能模型，旨在解决大型语言模型在细粒度定位和视觉-语言对齐方面的挑战。这一模型的提出受到了人类自然行为的启发，尤其是婴儿描述其视觉环境的方式，包括手势、指向和命名。
PixelLLM的独特之处在于，它通过在语言模型的每个输出单词与像素位置之间建立密集对齐，成功地实现了对定位任务的精准处理。为了实现这一目标，研究团队在单词特征之上添加了一个微型多层感知器（MLP），使其能够回归到每个单词的像素位置。低秩微调(LoRA)的使用使得语言模型的权重可以被更新或冻结，同时模型还能够接收文本或位置提示，以提供根据提示定制的输出。
PixelLLM的整体架构包括图像编码器、提示编码器和提示特征提取器。大型语言模型被馈送以提示为条件的图片特征和可选的文本提示，输出形式为每个单词的定位和字幕。该架构具有输入或输出语言或位置的多样性组合，对于各种视觉-语言活动具有灵活性和适应性。
研究团队对PixelLLM进行了评估，应用于密集目标描述、位置条件描述和引用定位等视觉任务。令人瞩目的性能指标包括在RefCOCO引用定位上的89.8P@0.5，Visual Genome条件描述上的19.9CIDEr以及密集目标描述上的17.0mAP。通过在RefCOCO上进行的消融研究显示，与其他定位公式相比，PixelLLM在密集像素定位公式上取得了3.7点的增益。
PixelLLM的主要贡献总结如下:
1. 引入了一种新的视觉-语言模型PixelLLM，能够生成单词定位并生成图片字幕。
2. 该模型支持文本或可选的位置提示，除了图片输入。
3. 使用本地化叙述数据集进行每个单词的本地化训练。
4. 该模型能够适应各种视觉-语言任务，包括分割、位置条件字幕、引用定位和密集描述。
5. 在位置条件字幕、密集描述和引用定位与分割等方面，该模型展现出卓越的性能。
这一研究成果标志着在大型语言模型领域取得的一项重要进展，为实现更精确的视觉-语言对齐和定位打开了新的可能性。
