VideoLLaMA 2: ビデオLLMにおける時空間モデリングと音声理解の進展

VideoLLaMA 2: Advancing Spatial-Temporal Modeling and Audio Understanding in Video-LLMs

June 11, 2024

著者: Zesen Cheng, Sicong Leng, Hang Zhang, Yifei Xin, Xin Li, Guanzheng Chen, Yongxin Zhu, Wenqi Zhang, Ziyang Luo, Deli Zhao, Lidong Bing

cs.AI

要旨

本論文では、映像と音声指向タスクにおける時空間モデリングと音声理解を強化するために設計されたVideo Large Language Models（Video-LLMs）のセットであるVideoLLaMA 2を紹介します。前身モデルを基に、VideoLLaMA 2は特注の時空間畳み込み（STC）コネクタを組み込んでおり、映像データの複雑な空間的・時間的ダイナミクスを効果的に捉えます。さらに、共同学習を通じてオーディオブランチをモデルに統合し、音声の手がかりをシームレスに取り入れることで、モデルのマルチモーダル理解能力を強化しています。多肢選択式映像質問応答（MC-VQA）、自由記述式映像質問応答（OE-VQA）、および映像キャプショニング（VC）タスクにおける包括的な評価により、VideoLLaMA 2はオープンソースモデルの中で一貫して競争力のある結果を達成し、いくつかのベンチマークでは一部のプロプライエタリモデルに迫る性能を示しています。さらに、VideoLLaMA 2は、既存モデルと比較して音声のみの質問応答（AQA）および音声-映像質問応答（OE-AVQA）ベンチマークにおいても適切な改善を示しています。これらの進歩は、VideoLLaMA 2のマルチモーダル理解における優れた性能を強調し、インテリジェントな映像分析システムの新たな基準を設定しています。すべてのモデルは公開されており、さらなる研究の促進に役立てられています。

English

In this paper, we present the VideoLLaMA 2, a set of Video Large Language Models (Video-LLMs) designed to enhance spatial-temporal modeling and audio understanding in video and audio-oriented tasks. Building upon its predecessor, VideoLLaMA 2 incorporates a tailor-made Spatial-Temporal Convolution (STC) connector, which effectively captures the intricate spatial and temporal dynamics of video data. Additionally, we integrate an Audio Branch into the model through joint training, thereby enriching the multimodal understanding capabilities of the model by seamlessly incorporating audio cues. Comprehensive evaluations on multiple-choice video question answering (MC-VQA), open-ended video question answering (OE-VQA), and video captioning (VC) tasks demonstrate that VideoLLaMA 2 consistently achieves competitive results among open-source models and even gets close to some proprietary models on several benchmarks. Furthermore, VideoLLaMA 2 exhibits reasonable improvements in audio-only and audio-video question-answering (AQA & OE-AVQA) benchmarks over existing models. These advancements underline VideoLLaMA 2's superior performance in multimodal comprehension, setting a new standard for intelligent video analysis systems. All models are public to facilitate further research.