本文为网易新闻网易特色内容激励计划签约账号[qubit]原创内容。未经账号授权，禁止随意转载。
来自奥菲斯的杨静
qubit |微信官方账号QbitAI
人类的预测力+ViT会产生什么样的化学反应？
使机器人的动作规划能力快速准确。
这是李菲菲团队的最新研究——mask vit，通过MVM对Transformer进行预训练，掩蔽视觉建模，从而建立视频预测模型。
结果表明，MaskViT不仅可以生成256*256的视频，而且机器人动作规划的推理速度提高了512倍。
让我们看看这是什么样的研究。
从人类身上寻找灵感
神经科学领域的研究表明，人类的认知和感知能力是由一种预测机制支持的。
这个世界的预测模型可以用来模拟、评估和选择不同的可能行动。
对于人类来说，这个过程快速而准确。
如果机器人能被赋予类似的预测能力。然后，他们可以在复杂和动态的环境中快速计划和执行各种任务。
比如通过可视化模型进行预测控制可能是一种方式，但也需要更高的计算能力和精度。
于是，团队想到了最近的ViT架构，以及以何MAE为代表的基于MVM和掩蔽视觉建模的自监督预训练表示。
然而，实现它仍然有许多技术挑战。
一方面，全局注意机制的复杂度与输入序列长度的平方成正比，导致视频处理的成本很高。
另一方面，视频预测任务和自回归掩模视觉预训练之间存在不一致性。在实践中，模型必须从开始就预测完整的未来帧序列，这导致了较差的视频预测质量。
基于这一背景，李菲菲团队提出了mask vit-通过掩蔽视觉建模预训练Transformer，从而建立视频预测模型。
有两个具体的设计决策。
首先，为了提高记忆和训练的效率，使用了两种类型的窗口注意:空交互注意和时间空注意。
第二，在训练过程中，掩模的标记比率是可变的。
在推理阶段，通过迭代细化生成视频，其中根据掩模调度函数逐渐降低掩模率。
实验结果
研究小组在三个不同的数据集和四个不同的指标中评估了MaskViT。
结果表明，与之前的先进方法相比，MaskViT表现出了更好的性能，可以生成分辨率为256 × 256的视频。
烧蚀实验也在BAIR进行。
随后，团队还演示了真实机器人使用MaskViT进行实时规划的效果。
推理速度最高可提升512倍。
研究人员表示，这项工作表明，我们可以通过使用具有最少领域知识的面具视觉建模的通用框架，赋予智能主体强大的预测模型。
但同时，它也有一定的局限性。
比如每一帧量化时都会出现闪烁伪像，尤其是在背景静态的RoboNet视频中。
如果要扩大视频预测的规模，还是很有挑战性的，尤其是在摄像机运动很多的场景下。
未来，他们将探索将这种视频预测方法集成到更复杂的规划算法中。
值得一提的是，今年5月，何明凯的团队提出了视频版的MAE，发现最佳掩蔽率高达90%。
论文链接:
https://arxiv.org/ABS/2206.11894
项目链接:
https://maskedvit . github . io/
何明凯论文:
https
