Video-LaVIT: Pre-addestramento Unificato Video-Linguaggio con Tokenizzazione Visivo-Motoria Disaccoppiata

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

February 5, 2024

Autori: 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

Abstract

Alla luce dei recenti progressi nei modelli linguistici multimodali di grandi dimensioni (LLM), sta crescendo l'attenzione verso il loro scaling da dati immagine-testo a video del mondo reale più informativi. Rispetto alle immagini statiche, i video presentano sfide uniche per un pre-training efficace su larga scala a causa della modellazione delle loro dinamiche spazio-temporali. In questo articolo, affrontiamo tali limitazioni nel pre-training video-linguaggio con una decomposizione efficiente dei video che rappresenta ciascun video come fotogrammi chiave e movimenti temporali. Questi vengono poi adattati a un LLM utilizzando tokenizer ben progettati che discretizzano le informazioni visive e temporali in pochi token, consentendo così un pre-training generativo unificato di video, immagini e testo. Durante l'inferenza, i token generati dall'LLM vengono accuratamente ricondotti allo spazio continuo originale dei pixel per creare vari contenuti video. Il nostro framework proposto è in grado sia di comprendere che di generare contenuti di immagini e video, come dimostrato dalle sue prestazioni competitive su 13 benchmark multimodali nella comprensione e generazione di immagini e video. Il nostro codice e i nostri modelli saranno disponibili su https://video-lavit.github.io.

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.