作为一种视觉预训练方法，掩码图像建模（Masked Image Modeling，简称 MIM）近期得到了蓬勃发展，自从 BEiT 开始，一系列新方法诸如 SimMIM、MAE、MVP 等被陆续设计出，这个领域也受到了很大关注。然而，在十亿参数量级别的视觉预训练模型中，最具竞争力的模型例如 ViT-g、SwinV2、CoCa 等仍然严重依赖有监督或弱监督训练，以及不可公开访问的数亿级有标签数据。
理想的视觉预训练应当只需简单的操作：譬如抓好语义学习和几何结构学习这两个关键点，基本可以搞定绝大部分的视觉任务。
智源曹越团队最新开源的视觉预训练模型 EVA，将最强语义学习（CLIP）与最强几何结构学习（MIM）结合，仅需使用标准的 ViT 模型，并将其规模扩大到十亿参数（1-Billion）进行训练，即可得到当前最强大的十亿级视觉基础模型 EVA。
具体而言，EVA 的训练方法与 MVP、MILLAN 类似，即通过重构 CLIP 特征来进行掩码图像建模（masked image modeling）。如下图所示，CLIP 模型输入为完整的图像，而 EVA 模型的输入为有遮盖的图像，训练过程是让 EVA 模型遮盖部分的输出去重构 CLIP 模型对应位置的输出，从而以简单高效的方式让 EVA 模型同时拥有了最强语义学习 CLIP 的能力和最强几何结构学习 MIM 的能力。不同于之前的方法，EVA 证明了这种训练方式可以帮助模型将参数扩展到十亿量级，并且在这个参数量级下在广泛下游任务中取得出色的性能。
总结而言，EVA 具有以下特点：
1. 高效
EVA 仅使用开源的纯图像数据即可进行掩码预测任务，不需要预训练阶段重新学习语义以及不需要巨量的成对有标注数据。相比而言，主流标杆性模型（ViT-g、SwinV2、CoCa 等）仍依赖于冗长的有监督或弱监督训练，以及不可公开访问的数亿级有标签数据。
2. 简单
EVA 无需特殊设计网络结构。使用简单的网络结构—标准的 ViT-g，而无需额外特殊设计的算子，使得其非常容易的迁移到广泛的下游任务，并且可以和其他模态共享。
实验
目前，EVA 在主流任务评测中的表现都可圈可点：
1. 多项重要视觉感知任务取得 state-of-the-art 性能
ImageNet 图像分类中取得 89.7% 的 top-1 准确率；Kinetics-700 视频动作识别取得 82.9% 的 top-1 准确率；COCO 目标检测取得 64.7 mAP、实例分割取得 55.5 mAP；LVIS 的实例分割取得 55.0 mAP；语义分割的 COCO-stuff 取得 53.4 mIoU、ADE-20K 取得 62.3 mIoU。
2. 参数量变引发性能质变：在 LVIS 上性能极强；可以稳定并加速 CLIP 训练，产生当前最强的开源 CLIP 模型。
首先，在 LVIS（超过一千类）实例分割任务上表现和 COCO（80 类）相仿，比之前的 SOTA 方法 MAE 高出 5.8 个点；第二，使用 EVA 作为 CLIP 训练的初始化，其性能远超随机初始化的 CLIP 训练，如下图所示，在十亿参数量级下，和 Open CLIP 官方使用完全一样的训练方式下，在几乎所有的零样本基准下均有显著的性能提升，除此之外，EVA 可以极大地稳定巨型 CLIP 的训练和优化过程，训练过程仅需使用 FP16 混合精度，综合来看，EVA 帮助训练得到当前最强且最大的开源 CLIP 模型，已经有团队在尝试使用其帮助 AIGC 模型的生成质量。
圈重点：EVA 全家桶开源！
十亿参数的预训练模型，下游 ImageNet 图像分类、Kinetics 视频动作识别、COCO 和 LVIS 目标检测和分割、ADE20K 语义分割、以及最强 CLIP 模型，全部开源！
欢迎感兴趣的小伙伴前去使用！