给视频模型安上快慢两只眼睛，苹果免训练新方法秒了一切

百科 2024年08月12日 15:23 247 admin

自从Sora发布以来，AI视频生成领域变得更加「热闹」了起来。过去几个月，我们见证了即梦、RunwayGen-3、LumaAI、快手可灵轮番炸场。

和以往一眼就能识破是AI生成的模型不太一样，这批视频大模型可能是我们所见过的「最好的一届」。

然而，视频大语言模型（LLM）惊艳表现的背后离不开庞大且经过精细标注的视频数据集，这需要花费相当高的成本。近期研究领域也涌现了一批无需额外训练的创新方法：采用训练好的图像大语言模型，直接用于视频任务的处理，这样就绕开了「昂贵」的训练过程。

此外，现有大多视频LLM存在两个主要缺点：（1）它们只能处理有限帧数的视频输入，这使得模型难以捕捉视频中细微的空间和时间内容；（2）它们缺少时间建模设计，而是简单地将视频特征输入到LLM中，完全依赖于LLM对运动的建模能力。

针对以上问题，苹果研究人员提出了SlowFast-LLaVA（简称SF-LLaVA）。这一模型基于字节团队开发的LLaVA-NeXT架构，无需额外微调，开箱即用。研究团队受在动作识别领域大获成功的双流网络的启发，为视频LLM设计了一套新颖的SlowFast输入机制。

简单来说，SF-LLaVA将通过两种不同的观察速度（Slow和Fast）来理解视频中的细节和运动。

慢速路径：低帧率提取特征，同时尽可能多地保留空间细节（例如每8帧保留24×24个token）

快速路径：高帧率运行，但用较大的空间池化步长降低视频的分辨率，以模拟更大的时间上下文，更专注于理解动作的连贯性

这相当于模型拥有两只「眼睛」：一只慢慢看，注意看细节；另一只快速看，注意看动作。这样就解决了大多现有的视频LLM的痛点，既能捕捉到详细的空间语义，又能捕捉到更长的时间上下文。

论文链接：https://arxiv.org/pdf/2407.15841

实验结果显示，SF-LLaVA在所有基准测试中均以显著的优势超越了现有免训练方法。与精心微调的SFT模型相比，SF-LLaVA能达到相同性能，甚至更好。

模型架构

如下图所示，SF-LLaVA遵循标准的免训练视频LLM流程。它以视频V和问题Q作为输入，输出对应的答案A。

对于输入，要从每个视频任意大小和长度中均匀采样N帧，I={I_1,I_2,...,I_N}，不需要对选取的视频帧进行特别的组合或排列。以帧为单位视独立提取频特征为F_v∈R^N×H×W，给视频模型安上快慢两只眼睛，苹果免训练新方法秒了一切其中H和W分别是帧特征的高度和宽度。

实验结果

研究团队对SF-LLaVA进行了全面的性能评估，将其与当前SOTA免训练模型（如IG-VLM和LLoVi）在多个视频问答任务中进行了对比。此外，他们还将其与经过视频数据集监督微调（SFT）的视频LLM，例如VideoLLaVA和PLLaVA进行了比较。

开放式视频问答

如下表所示，在开放式视频问答任务中，SF-LLaVA在所有基准测试中都比现有的免训练方法表现得更好。具体来说，当分别搭载7B和34B参数规模的LLM时，SF-LLaVA分别在MSRVTT-QA上比IGVLM高出2.1%和5.0%，在TGIF-QA上高出5.7%和1.5%，在ActivityNet-QA上高出2.0%和0.8%。

即使与经过微调的SFT方法相比，SF-LLaVA在大多数基准测试中也展现了可比的性能，只有在ActivityNet-QA这一基准上，PLLaVA和LLaVA-NeXT-VideoDPO略胜一筹。

多项选择视频问答

从下表中可见，在所有基准测试中，SF-LLaVA在多项选择视频问答的表现都优于其他免训练方法。在要求复杂长时序推理的EgoSchema数据集中，SF-LLaVA7B和34B的版本相较IG-VLM模型的得分分别高出11.4%和2.2%。

虽然VideoTree在基准测试中领先，因为它是基于GPT-4的专有模型，因而性能远高于开源LLM。与SFT方法相比，SF-LLaVA34B模型在EgoSchema上也取得了更好的结果，这证实了SlowFast设计处理长视频方面的强大能力。

TextGeneration

文生视频

如表3所示，对于文本生成视频的任务，SF-LLaVA也显示出了一些优势。SF-LLaVA-34B在整体表现上超越了所有免训练的基准。尽管在细节取向方面，SF-LLaVA略逊于LLaVA-NeXT-Image。基于SlowFast设计，SF-LLaVA可以用更少的视觉token覆盖更长的时间上下文，因此在时间理解任务中表现得格外出色。

此外，在文生视频的表现上，SF-LLaVA-34B也优于大多数SFT方法。

更多细节，请参考原论文。

标签：给视频模型安上快慢两只眼睛苹果免训练新方法秒了一切

给视频模型安上快慢两只眼睛，苹果免训练新方法秒了一切

电脑维修与维护完全手册

东方甄选家线下店计划引发行业震动，山姆会员店迎来强劲对手

热门文章