原作者带队，LSTM卷土重来之Vision-LSTM出世

与 DeiT 等使用 ViT 和 Vision-Mamba (Vim) 方法的模型相比，ViL 的性能更胜一筹。

AI 领域的研究者应该还记得，在 Transformer 诞生后的三年，谷歌将这一自然语言处理届的重要研究扩展到了视觉领域，也就是 Vision Transformer。后来，ViT 被广泛用作计算机视觉中的通用骨干。

这种跨界，对于前不久发布的 xLSTM 来说同样可以实现。最近，享誉数十年的 LSTM 被扩展到一个可扩展且性能良好的架构 ——xLSTM，通过指数门控和可并行化的矩阵内存结构克服了长期存在的 LSTM 限制。现在，这一成果已经扩展到视觉领域。

xLSTM和 Vision-LSTM 两项研究均由 LSTM 原作者带队，也就是 LSTM 的提出者和奠基者 Sepp Hochreiter。

在最近的这篇论文中，Sepp Hochreiter 等人推出了 Vision-LSTM（ViL）。ViL 包含一堆 xLSTM 块，其中奇数块从上到下、偶数块则从下到上处理补丁 token 序列。

• 论文题目：Vision-LSTM: xLSTM as Generic Vision Backbone

• 论文链接：https://arxiv.org/abs/2406.04303

• 项目链接: https://nx-ai.github.io/vision-lstm/

正如 xLSTM 诞生之时，作者希望新架构能够撼动 Transformer 在语言模型领域的江山。这一次，闯入视觉领域的 Vision-LSTM 也被寄予厚望。

研究者在论文中表示：「我们的新架构优于基于 SSM 的视觉架构，也优于 ImageNet-1K 分类中的优化 ViT 模型。值得注意的是，在公平的比较中，ViL 的表现优于经过多年超参数调整和 Transformer 改进的 ViT 训练 pipeline。」

对于需要高分辨率图像以获得最佳性能的任务，如语义分割或医学成像， ViL 极具应用潜力。在这些情况下，Transformer 因自注意力的二次复杂性而导致计算成本较高，而 ViL 的线性复杂性不存在这种问题。研究者还表示，改进预训练方案（如通过自监督学习）、探索更好的超参数设置或从 Transformer 中迁移技术（如 LayerScale ）都是 ViL 的可探索方向。

ViT 与 ViL

语言建模架构 —— 如 Transformer 或最近的状态空间模型 Mamba，通常被应用到计算机视觉领域，以利用它们强大的建模能力。

然而，在自然语言处理中，通过离散词汇表（Discrete vocabulary），输入的句子通常被编码成代表词或常见子词的 token。

为了将图像编码成一组 token，Vision Transformer（ViT）提出将输入图像分组成非重叠的补丁（例如 16x16 像素），将它们线性投影成所谓的补丁 token 序列，并向这些 token 添加位置信息。

然后，这个序列就可以被语言建模架构处理了。

扩展长短期记忆（xLSTM）最近被引入作为一种新的语言建模架构，可以说是 LSTM 在 LLM 时代的复兴，与 Transformer 和状态空间模型（SSMs）等相媲美。

现有的 Transformer 或状态空间模型的视觉版本，例如 ViT 或 Vision Mamba，已经在各种计算机视觉任务中取得了巨大成果。

使用 xLSTM 作为核心组建的 ViL 使用简单的交替设计，从而可以有效地处理非序列输入（如图像），而无需引入额外的计算。

类似于 SSMs 的视觉适应，ViL 展示了关于序列长度的线性计算和内存复杂度，这使得它在高分辨率图像的任务中展现极佳的作用，如医学成像、分割或物理模拟。

相比之下，ViT 的计算复杂度由于自注意力机制而呈二次方增长，使得它们在应用于高分辨率任务时成本高昂。

交替 mLSTM 块并行

Vision-LSTM（ViL）是一个用于计算机视觉任务的通用骨干，它从 xLSTM 块残差构建，如图 1 所示。

与 ViT 类似，ViL 首先通过共享线性投影将图像分割成非重叠的补丁，然后向每个补丁 token 添加可学习的定位嵌入。ViL 的核心是交替的 mLSTM 块，它们是可完全并行化的，并配备了矩阵内存和协方差更新规则。

奇数 mLSTM 块从左上到右下处理补丁 token，而偶数块则从右下到左上。

ImageNet-1K 实验

研究团队在 ImageNet-1K 上进行了实验：它包含 130 万张训练图像和 5 万张验证图像，每张图像属于 1000 个类别之一。

对比实验集中在使用序列建模骨干的模型上，而该模型在大致相当的参数数量上是可比较的。

他们在 224x224 分辨率上训练 ViL 模型，使用余弦衰减调度，1e-3 的学习率训练了 800 个周期（tiny, tiny+）或 400 个周期（small, small+, base），具体见下方表 5.

为了对 Vision Mamba（Vim）进行公平比较，研究人员向模型内添加了额外的块以匹配 tiny 和小型变体（分别表示为 ViL-T + 和 ViL-S+）的参数数量。

需要注意的是，由于 ViL 以交替的方式遍历序列，而 Vim 则在每个块中遍历序列两次，因此 ViL 所需的计算量远少于 Vim。

尽管 Vim 使用了优化的 CUDA 内核（而 mLSTM 目前还没有这样的内核），但这仍然成立，并且会进一步加速 ViL 的速度。

如表 4 所示的运行时间对比，在其中两项的比较重，ViL 比 Vim 快了 69%。

新秀 ViL 相比于 ViTs 如何？

虽然 ViL 首次出场，但仍是展现了极佳的潜力。

由于 ViTs 在视觉社区中已经得到了广泛的认可，它们在过去几年经历了多次优化周期。

因为这项工作是首次将 xLSTM 应用于计算机视觉，研究人员并不期望在所有情况下都超过 ViTs 多年的超参数调整。

即便如此，表 1 中的结果显示，ViL 在小规模上相比于经过大量优化的 ViT 协议（DeiT, DeiT-II, DeiT-III）仍是显示出较良好的结果，其中只有训练时间是 ViL-S 两倍的 DeiT-III-S 表现略好一点。

在「base」规模上，ViL 超越了最初的 ViT 模型，并取得了与 DeiT 相当的结果。

需要注意的是：由于在这个规模上训练模型的成本很高，ViL-B 的超参数远非最佳。作为参考，训练 ViL-B 大约需要 600 个 A100 GPU 小时或在 32 个 A100 GPU 上的 19 个小时。

通过在「长序列微调」设置中微调模型，性能可以进一步提高，该设置通过使用连续补丁 token 之间 50% 的重叠，将序列长度增加到 729，对模型进行 30 个周期的微调。

尽管没有利用卷积固有的归纳偏置，ViL 还是展现出了与基于 CNN 的模型（如 ConvNeXt）相当的性能。

块设计

该团队研究了设计 ViL 块的不同方式，如图 2 所示。

•  普通且单向的 xLSTM 块未能达到期待的性能，因为 xLSTM 的自回归性质并不适合图像分类。

•  以双向方式遍历块 —— 即在每个块中引入第二个 mLSTM 层，该层向后遍历序列（类似于 Vim），提高了性能，但也需要更多的参数和 FLOPS。

•  共享前向和后向 mLSTM 的参数使模型在参数上更高效，但仍然需要更多的计算并超载这些参数，而这最终也会导致性能下降。

•  使用交替块在保持计算和参数效率的同时提高了性能。

该团队还探索了四向设计，这指的是按行（两个方向）和按列（两个方向）遍历序列。双向仅按行遍历序列（两个方向）。

图 2 可视化了不同的遍历路径。

由于双向和四向块的成本增加，这项研究是在设置大幅减少的条件中进行的。

研究人员在 128x128 分辨率下，对包含仅来自 100 个类别的样本的 ImageNet-1K 的一个子集进行 400 个周期的训练。这是特别必要的，因为四向实现方法与 torch.compile（来自 PyTorch 的一个通用速度优化方法）不兼容，这会导致更长的运行时间，如表 2 最后一列所示。

由于此技术限制，该团队最终了选择交替双向块作为核心设计。

分类设计

为了使用 ViT 进行分类，需要将 token 序列汇集成一个 token，然后将其作为分类头的输入。

最常见的汇集方法是：(i) 在序列的开头添加一个可学习的 [CLS] token，或 (ii) 平均所有补丁 token，生成一个 [AVG] token。使用 [CLS] 还是 [AVG] token 通常是一个超参数，两种变体的性能相当。相反，自回归模型通常需要专门的分类设计。例如，Vim 要求 [CLS] token 位于序列的中间，如果采用其他分类设计，如 [AVG] token 或在序列的开始和结束处使用两个 [CLS] token，则会造成严重的性能损失。

基于 ViL 的自回归特性，研究者在表 3 中探讨了不同的分类设计。

[AVG] 是所有补丁 token 的平均值，「Middle Patch 」使用中间的补丁 token，「Middle [CLS]」使用序列中间的一个 [CLS] token，「Bilateral [AVG]」使用第一个和最后一个补丁 token 的平均值。

可以发现的是， ViL 分类设计相对稳健，所有性能都在 0.6% 以内。之所以选择 「Bilateral [AVG]」而不是 「Middle [CLS]」，因为 ImageNet-1K 有中心偏差，即物体通常位于图片的中间。通过使用 「Bilateral [AVG]」，研究者尽量避免了利用这种偏差，从而使模型更具通用性。

为了与之前使用单个 token 作为分类头输入的架构保持可比性，研究者对第一个和最后一个 token 进行了平均处理。为了达到最佳性能，建议将两个标记合并（「Bilateral Concat」），而不是取平均值。

这类似于 DINOv2 等自监督 ViT 的常见做法，这些是通过分别附加在 [CLS] 和 [AVG] token 的两个目标来进行训练的，因此可以从连接 [CLS] 和 [AVG] token 的表征中获益。视觉 SSM 模型也探索了这一方向，即在序列中分散多个 [CLS] token，然后将其作为分类器的输入。此外，类似的方向也可以提高 ViL 的性能。

更多研究细节，请参考原论文。