Video-LaVIT: Vereinheitlichtes Video-Sprache-Vortraining mit entkoppelter visuell-motorischer Tokenisierung

Video-LaVIT: Unified Video-Language Pre-training with Decoupled Visual-Motional Tokenization

February 5, 2024

Autoren: Yang Jin, Zhicheng Sun, Kun Xu, Kun Xu, Liwei Chen, Hao Jiang, Quzhe Huang, Chengru Song, Yuliang Liu, Di Zhang, Yang Song, Kun Gai, Yadong Mu

cs.AI

Zusammenfassung

Angesichts der jüngsten Fortschritte bei multimodalen Large Language Models (LLMs) richtet sich die Aufmerksamkeit zunehmend darauf, diese von Bild-Text-Daten auf informativeres Echtzeit-Videomaterial zu skalieren. Im Vergleich zu statischen Bildern stellt Video aufgrund der Modellierung seiner raumzeitlichen Dynamik einzigartige Herausforderungen für ein effektives groß angelegtes Pre-Training dar. In diesem Papier gehen wir auf diese Einschränkungen beim Video-Sprache-Pre-Training ein, indem wir eine effiziente Videozerlegung vorschlagen, die jedes Video als Keyframes und zeitliche Bewegungen darstellt. Diese werden dann mithilfe gut durchdachter Tokenizer an ein LLM angepasst, die visuelle und zeitliche Informationen als wenige Token diskretisieren, wodurch ein einheitliches generatives Pre-Training von Videos, Bildern und Text ermöglicht wird. Bei der Inferenz werden die vom LLM generierten Token sorgfältig in den ursprünglichen kontinuierlichen Pixelraum zurückgeführt, um verschiedene Videoinhalte zu erstellen. Unser vorgeschlagenes Framework ist sowohl in der Lage, Bild- und Videoinhalte zu verstehen als auch zu generieren, wie seine wettbewerbsfähige Leistung über 13 multimodale Benchmarks in den Bereichen Bild- und Videoverständnis sowie -generierung zeigt. Unser Code und unsere Modelle werden unter https://video-lavit.github.io verfügbar sein.

English

In light of recent advances in multimodal Large Language Models (LLMs), there is increasing attention to scaling them from image-text data to more informative real-world videos. Compared to static images, video poses unique challenges for effective large-scale pre-training due to the modeling of its spatiotemporal dynamics. In this paper, we address such limitations in video-language pre-training with an efficient video decomposition that represents each video as keyframes and temporal motions. These are then adapted to an LLM using well-designed tokenizers that discretize visual and temporal information as a few tokens, thus enabling unified generative pre-training of videos, images, and text. At inference, the generated tokens from the LLM are carefully recovered to the original continuous pixel space to create various video content. Our proposed framework is both capable of comprehending and generating image and video content, as demonstrated by its competitive performance across 13 multimodal benchmarks in image and video understanding and generation. Our code and models will be available at https://video-lavit.github.io.