新智元报道
编辑：LRS 好困
【新智元导读】华中科技大学联合华南理工大学、北京科技大学等机构的研究人员对 14 个主流多模态大模型进行了全面测评，涵盖 5 个任务，27 个数据集。
近期，多模态大模型（LMMs）在视觉语言任务方面展示了令人印象深刻的能力。然而，由于多模态大模型的回答具有开放性，如何准确评估多模态大模型各个方面的性能成为一个迫切需要解决的问题。
目前，一些方法采用 GPT 对答案进行评分，但存在着不准确和主观性的问题。另外一些方法则通过判断题和多项选择题来评估多模态大模型的能力。
然而，判断题和选择题只是在一系列参考答案中选择最佳答案，不能准确反映多模态大模型完整识别图像中文本的能力，目前还缺乏针对多模态大模型光学字符识别（OCR）能力的专门评测基准。
近期，华中科技大学白翔团队联合华南理工大学、北京科技大学、中科院和微软研究院的研究人员对多模态大模型的 OCR 能力进行了深入的研究。
并在 27 个公有数据集和 2 个生成的无语义和对比的有语义的数据集上对文字识别、场景文本 VQA、文档 VQA、关键信息抽取和手写数学表达式识别这五个任务上进行了广泛的实验。
论文链接：https://arxiv.org/abs/2305.07895
代码地址：https://github.com/Yuliang-Liu/MultimodalOCR
为了方便而准确地评估多模态大模型的 OCR 能力，本文还进一步构建了用于验证多模态大模型零样本泛化能力的文字领域最全面的评估基准 OCRBench，评测了谷歌 Gemini，OpenAI GPT4V 以及目前开源的多个类 GPT4V 多模态大模型，揭示了多模态大模型直接应用在 OCR 领域的局限。
评测模型概述
本文对谷歌 Gemini，OpenAI GPT4V 在内的 14 个多模态大模型进行了评估。
其中 BLIP2 引入了Q-Former 连接视觉和语言模型；Flamingo 和 OpenFlamingo 通过引入新颖的门控交叉注意力层，使得大语言模型具备理解视觉输入的能力；LLaVA 开创性地使用 GPT-4 生成多模态指令跟随数据，其续作 LLaVA1.5 通过改进对齐层和 prompt 设计，进一步提升 LLaVA 的性能。
此外，mPLUG-Owl 和 mPLUG-Owl2 强调了图像和文本的模态协作；LLaVAR 收集了富文本的训练数据，并使用更高分辨率的 CLIP 作为视觉编码器，以增强 LLaVA 的 OCR 能力。
BLIVA 结合指令感知特征和全局视觉特征来捕捉更丰富的图像信息；MiniGPT4V2 在训练模型时为不同任务使用唯一的标识符，以便轻松区分每个任务的指令；UniDoc 在大规模的指令跟踪数据集上进行统一的多模态指令微调，并利用任务之间的有益交互来提高单独任务的性能。
Docpedia 直接在频域而不是像素空间中处理视觉输入。Monkey 通过生成的详细描述数据和高分辨率的模型架构，低成本地提高了 LMM 的细节感知能力。
评测指标及评测数据集
LMM 生成的回复通常包含许多解释性的话语，因此完全精确的匹配或平均归一化 Levenshtein 相似度（ANLS）在评估 LMM 在 Zero-Shot 场景中的表现时并不适用。
本文为所有数据集定义了一个统一而简单的评估标准，即判断 LMM 的输出是否包含了 GT；为了减少假阳性，本文进一步过滤掉所有答案少于 4 个字符的问答对。
文本识别（Text Recognition）
本文使用广泛采用的 OCR 文本识别数据集评估 LMM。这些数据集包括：
（1）常规文本识别：IIIT5K、SVT、IC13；
（2）不规则文本识别：IC15、SVTP、CT80、COCOText（COCO）、SCUT-CTW1500（CTW）、Total-Text（TT）；
（3）遮挡场景下的文本识别，WOST 和 HOST；
（4）艺术字识别：WordArt；
（5）手写文本识别：IAM；
（6）中文识别：ReCTS；
（7）手写数字串识别：ORAND-CAR-2014（CAR-A）；
（8）无语义文本（NST）和语义文本（ST）：ST 数据集包含 3000 张来自 IIIT5K 字典的单词图像，NST 数据集与 ST 数据集的不同之处在于单词中字符的顺序被打乱而不具备语义。
对于英文单词识别，本文使用统一的 prompt：「what is written in the image?」。对于 ReCTS 数据集中的中文文本则使用「What are the Chinese characters in the image?」作为 prompt。对于手写数字串，则使用 prompt：「what is the number in the image?」。
场景文本问答（Scene Text-Centric VQA）
本文在 STVQA、TextVQA、OCRVQA 和 ESTVQA 上进行了实验。其中 ESTVQA 数据集被分为 ESTVQA (CN)和 ESTVQA (EN)，分别包含中文和英文问答对。
文档问答（Document-Oriented VQA）
本文在 DocVQA、InfographicVQA 和 ChartQA 数据集上进行评估，包括了扫描文档、复杂海报以及图表。
关键信息抽取（KIE）
本文在 SROIE、FUNSD 和 POIE 数据集上进行了实验，这些数据集包括收据、表单和产品营养成分标签。KIE 要求从图像中提取 key-value 对。
为了使 LMM 能够准确提取 KIE 数据集中给定 key 的正确的 value，本文针对不同数据集设计了不同 prompt。
对于 SROIE 数据集，本文使用以下 prompt 帮助 LMM 为「company」，「date」，「address」和「total」生成相应的 value：「what is the name of the company that issued this receipt?」、「when was this receipt issued?」、「where was this receipt issued?」和「what is the total amount of this receipt?」。
此外，为了获取 FUNSD 和 POIE 中给定 key 对应的 value，本文使用 prompt：「What is the value for '{key}'?」。
手写数学公式识别（HMER）
评估了 HME100K 数据集，在评估过程中，本文使用「Please write out the expression of the formula in the image using LaTeX format.」作为 prompt。
评测结果
LMM 在识别常规文本、不规则文本、遮挡场景下的文本和艺术字方面取得了与 Supervised-SOTA 相媲美的性能。
InstructBLIP2 和 BLIVA 在 WordArt 数据集中的性能甚至超过了 Supervised-SOTA，但 LMM 仍然存在较大局限。
语义依赖
LMMs 在识别缺乏语义的字符组合时表现出较差的识别性能。
具体而言，LMMs 在 NST 数据集上的准确率相比于 ST 数据集平均下降了 57.0%，而 Supervised-SOTA 只下降了约 4.6%。
这是因为场景文本识别的 Supervised-SOTA 直接识别每个字符，语义信息仅用于辅助识别过程，而 LMMs 主要依赖语义理解来识别单词。
例如 Figure1 中，LMM 成功识别了单词「Message」，但错误地识别了「egaesMs」，这只是单词「Message」的重新排序。
- 手写文本
LMMs 在准确识别手写文本方面存在挑战。手写文本通常因快速书写、不规则手写或低质量纸张等因素而显得不完整或模糊。平均而言，LMMs 在这项任务中的性能比 Supervised-SOTA 差了 51.9%。
- 多语言文本
在 ReCTS、ESTVQA（En）和 ESTVQA（Ch）上观察到的显著性能差距展示了 LMMs 在中文文本识别和问答方面的不足。这可能是由于中文训练数据的缺少导致的。而 Monkey 的语言模型和视觉编码器都经过大量中文数据的训练，因此它在中文场景中表现优于其他多模态大模型。
- 细粒度感知
目前，大多数 LMMs 的输入图像分辨率受限于 224 x 224，与它们架构中使用的视觉编码器的输入尺寸一致。然而，高分辨率的输入图像可以捕捉到更多的图像细节，从而提供更细粒度的信息。由于 BLIP2 等 LMMs 的输入分辨率受限，它们在场景文本问答、文档问答和关键信息抽取等任务中提取细粒度信息的能力较弱。相比之下，Monkey 和 DocPedia 等具有更高输入分辨率的多模态大模型在这些任务中具有更好的表现。
- HMER
LMMs 在识别手写数学表达式方面存在极大的挑战。这主要是由于杂乱的手写字符、复杂的空间结构、间接的 LaTeX 表示以及训练数据的缺乏所导致的。
OCRBench
完整地评估所有数据集可能非常耗时，而且一些数据集中的不准确标注使得基于准确率的评估不够精确。
鉴于这些限制，本文进一步构建了 OCRBench，以方便而准确地评估 LMMs 的 OCR 能力。
OCRBench 包含了来自文本识别、场景文本问答、文档问答、关键信息抽取和手写数学表达式识别这五个任务的 1000 个问题-答案对。
对于 KIE 任务，本文还在提示中进一步添加了「Answer this question using the text in the image directly.」来限制模型的回答格式。
为了确保更准确的评估，本文对 OCRBench 中的 1000 个问答对进行了人工校验，修正了错误选项，并提供了正确答案的其他候选。
其结果如 Table 3 所示，Gemini 获得了最高分，GPT4V 获得了第二名。需要注意的是，由于 OpenAI 进行了严格的安全审查，GPT4V 拒绝为 OCRBench 中的 84 张图像提供结果。
Monkey 展示了仅次于 GPT4V 和 Gemini 的 OCR 能力。从测试结果中，我们可以观察到，即便是 GPT4V 和 Gemini 这样最先进的多模态大模型在 HMER 任务上也面临困难。
此外，它们在处理模糊图像、手写文本、无语义文本和遵循任务指令方面也存在挑战。
正如图2(g)所示，即使明确要求使用图像中的文本回答，Gemini 仍将「02/02/2018」解释为「2 February 2018」。
总结
本文对 LMMs 在 OCR 任务中的性能进行了广泛的研究，包括文本识别、场景文本问答、文档问答、KIE 和 HMER。
本文的定量评估显示，LMM 可以取得有希望的结果，特别是在文本识别方面，在某些数据集上甚至达到了 SOTA。
然而，与针对特定领域的监督方法相比，仍然存在显著差距，这表明针对每个任务定制的专门技术仍然是必不可少的，因为后者使用的计算资源和数据要少得多。
本文所提出的 OCRBench 为评估多模态大模型的 OCR 能力提供了基准，揭示了多模态大模型直接运用于 OCR 领域的局限。
本文还为 OCRBench 构建了一个在线排行榜，用于展示和比较不同多模态大模型的 OCR 能力（加入排行榜的方式参考 Github）。
参考资料：
