上月，由OpenAI开源的大规模图文预训练模型CLIP凭借其优越的性能，已经取得大量关注，并在社区得到了广泛讨论。
CLIP（Contrastive Language-Image Pre-Training）是由OpenAI开源基于对比学习的大规模图文预模型，其中CLIP的文本和图像编码器都是基于transformer结构，图文的相似度直接使用文本和图像特征的余弦相似度，代码层面上实现难度不大。整个项目最大的亮点和难点在于OpenAI采集的4个亿的图文Pair。CLIP已提供官方预训练模型，但由于CLIP的训练语料主要为英文，所以暂时不支持别的语言，可以事先使用翻译模型进行翻译。
此前，已有开发者基于CLIP模型，开源了一个使用预训练CLIP在Unsplash数据集上进行图像和视频的检索。近日，一位来自CMU的开发者基于CLIP进行了更多的尝试，在常规图文检索的基础上，支持多种类型的图文联合检索（图文检索、以图搜图、多文本搜索、图文联合搜索），并实现了CLIP注意力机制的可视化，便于对CLIP检索结果进行分析。
项目地址：https://github.com/haofanwang/natural-language-joint-query-search
该项目主要基于natural-language-image-search（https://github.com/haltakov/natural-language-image-search），同样在Unsplash数据集上进行检索。作者也提供了Colab Notebook，可以直接运行。项目包含两个内容，一个是联合检索，一个是注意力机制可视化，其中由于可视化阶段修改了部分CLIP项目中参数返回的代码，所以需要使用作者提供的CLIP版本。具体修改的代码在model.py，具体细节可参考CLIP官方贡献者在issue（https://github.com/openai/CLIP/issues/18）中给出的建议。
model.py：
https://github.com/haofanwang/natural-language-joint-query-search/blob/acd70e9b8e7b4161edb5ab3dedd45a97a4393ade/CLIP/clip/model.py
本质上，CLIP模型检索的原理是比较特征空间中两个特征编码的余弦相似度，所以并不局限在文本特征与图像特征的比较。该项目正是基于此进行尝试，作者在实际测试中发现，CLIP对于多特征联合检索，也能够取得一些不错的结果。作者提供了一些测试样例。
文本-图像检索
检索文本：“Tokyo tower at night.”
检索文本：“People come and go on the street.”
上图中是给出文本检索图像的结果，这也是最常见的检索方式。可以看到，CLIP都能够检索出非常匹配的图片。
源图像是一张街景图，下图最左
除了图文搜索，在现实场景中，以图搜图也是很常见的应用场景。上面是作者提供的例子。源图像（左图）是一张空旷的街景图，而检索结果（右边三张）都是非常相似的街景。
文本-图像以及图像-图像的检索，都是利用了单一特征之间的相似度进行检索，那么如果同时有多个文本，每一个文本都描述独立的场景，但希望检索结果中尽可能同时包含多个场景呢？CLIP是否仍然有效呢？所以在这里，作者还尝试了联合搜索的形式，得到了非常有意思的结果。
文本+文本-图像检索
检索文本1：“Flower”，检索文本2：“Blue sky”
检索文本1：“Flower”，检索文本2：“Bee”
上图是多文本-图像的检索示例。可以看到，检索的结果中同时包含了两个独立文本描述的主体。而实现的代码非常简单。首先是对两个文本各自进行编码，然后将两个文本特征进行线性相加，此外并未进行额外的归一化操作，最后将合并后的特征与图像进行相似度计算。不同的权重用于调整不同文本的重要性。比如在第二个示例中，“Bee”和“Flower”的权重分别是2和1，所以可以看到，检索结果中会更突出“蜜蜂”。
图像+文本-图像检索
检索图像：街景图（无车辆），下图最左 检索文本：“cars”
之前已经说到CLIP可以实现以图搜图的效果，在此基础上，作者还尝试在文本的限制条件下，进行以图搜图。上面的示例中，图像仍然是一张空旷的街景图，而文本则是“cars”，通过联合检索，可以得到右边三张包含车辆的接近图，效果也非常不错。
对于长文本，可能包含多个实体名词，那么对于检索的结果，如何知道检索的依据是什么呢？所以除了检索外，作者还提供了CLIP文本的可视化分析，以增强模型的后验可解释性。单词的权重来自于CLIP模型中的文本编码器里multi-head attention模块的权重，来可视化文本中每一个词汇的重要性（注：关于attention的权重是否是有效的可解释性方法还有待商榷）。以下是作者提供的可视化例子。
检索文本：“A woman holding an umbrella standing next to a man in a rainy day”
检索文本：“A red flower is under the blue sky and there is a bee on the flower”
从作者提供的两个例子中，可以看到，文本中只有部分单词得到了较高的权重，这些单词基本对应了图像中的物体。
讨论
目前，多模态检索、预训练模型受到越来越多的关注，在知乎上也引起关于“视频搜索会成为新的趋势吗”的讨论，CLIP在多模态迈出了第一步，即在大规模数据的情况下，模型对于图像和文本的学习能力会很很大的提升。相较于学术界常见的图文匹配数据集中，文本通常非常具像化地描述了图像中出现的各种物体，CLIP使用的文本数据噪声更大，而在实际测试阶段，也可以发现，CLIP对于一些偏风格的抽象文本也能够检索出不错的结果。CLIP预计也会成为多模态领域一个重要的baseline。
视频搜索会成为新的趋势吗？
https://www.zhihu.com/question/444565876/answer/1733424884
此外，近期除了OpenAI的CLIP模型外，还有很多多模态的论文或项目提出，比如南大开源了CPD模型，微软开源的ClipBERT（这里的Clip与上文的CLIP无关），还有结合CLIP与StyleGAN来实现图像编辑的StyleCLIP。值得一提的是，同样由OpenAI开源的生成模型DALLE近日也提供了官方代码。考虑到实际生活中多模数据（最常见包括图像、语音、文本）的广泛存在，多模态未来预计会有很大应用空间。
CPD：
https://github.com/MCG-NJU/CPD-Video
ClipBERT：
https://github.com/jayleicn/ClipBERT
StyleCLIP：
https://github.com/orpatashnik/StyleCLIP
