Q-Former是一种融合视觉和语言模型的方法，用于BLIP-2中结合预训练的图像编码器和大型语言模型。Q-Former通过可学习的查询（软提示）将视觉语义表示转化为文本语义。它使用跨注意力机制，通过可学习的查询从图像编码器聚合视觉特征。该架构受到Flamingo的感知器重采样器启发。
Q-Former 简介
Q-Former 是 BLIP2 框架中用于实现视觉语义与大规模语言模型（LLM）语义高效融合的关键模块。其主要思想在于利用一组可学习的“软提示”（Learnable Queries），直接将经过预训练的视觉编码器提取到的视觉特征，通过交叉注意力（Cross Attention）的机制转化为更适合后续 LLM 理解的视觉语义表示，从而有效地减少信息转换过程中可能产生的细粒度信息损失。
核心思想
-
直接的语义迁移
传统方法通常通过图像描述（Captioner）将视觉信息转换为文字，再输入到 LLM 中进行处理，这在多个阶段上都会丢失原始视觉的细粒度信息。Q-Former 则直接利用视觉编码器得到的特征，加上可学习的软提示，将视觉语义以向量形式迁移到文本语义空间，从而达到更低的信息损失。 -
可学习的软提示
Q-Former 中引入的 “Learnable Queries” 类似于 prompt tuning 的思想。这些查询向量在训练中不断优化，起到辅助信号的作用，帮助将视觉特征更好地转化为语言特征。 -
交叉注意力机制
模块通过交叉注意力机制，将视觉编码器输出的视觉特征（作为 Key 和 Value）与可学习的查询（作为 Query）进行信息融合，最终输出一个固定长度的 “Transferred vision representation”。这种设计部分受到了 Flamingo 中 Perceiver Resampler 的启发。
训练策略
Q-Former 的训练分为两个阶段：
-
第一阶段：跨模态表征融合
在这一阶段中，利用图像-文本对数据，通过以下三种损失函数进行训练：- 对比损失（ITC）：确保视觉和文本特征在共享空间内具有较高的匹配度。
- 匹配损失（ITM）：通过正负样本评分强化细粒度的语义对齐。
- 生成损失（ITG）：通过特定的 mask 策略控制不同部分的交互，防止信息泄漏，确保生成过程的有效性。
-
第二阶段：与 LLM 联合训练
将第一阶段得到的视觉语义输出通过全连接层接入 LLM，根据 LLM 的架构（如 decoder-only 或 encoder-decoder）采用不同策略进行进一步的生成式预训练，从而构建多模态大语言模型（MLLM）。
总结
Q-Former 通过直接在高维向量空间中进行视觉与文本语义的融合，不仅减少了传统方法中多阶段转换带来的信息损失，同时在参数量较少的情况下显著提升了模型在多项任务上的 zero-shot 表现。虽然当前 BLIP2 模型在 in-context learning 和 LLM 固有缺陷方面仍存在挑战，但 Q-Former 为多模态模型设计提供了一个具有启发性的解决方案。
总结来自：
BLIP2——采用Q-Former融合视觉语义与LLM能力的方法
详细解读经典跨模态对齐技术Q-Former代码
