Video-LaVIT: Uniforme Video-Taal Pre-training met Ontkoppelde Visueel-Beweging Tokenisering

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

February 5, 2024

Auteurs: 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

Samenvatting

In het licht van recente vooruitgang in multimodale Large Language Models (LLMs), is er toenemende aandacht voor het opschalen ervan van beeld-tekstgegevens naar meer informatieve real-world video's. Vergeleken met statische afbeeldingen, stelt video unieke uitdagingen voor effectieve grootschalige voorafgaande training vanwege de modellering van zijn spatiotemporele dynamiek. In dit artikel gaan we in op dergelijke beperkingen in video-taal voorafgaande training met een efficiënte videodecompositie die elke video representeert als keyframes en temporele bewegingen. Deze worden vervolgens aangepast aan een LLM met behulp van goed ontworpen tokenizers die visuele en temporele informatie discretiseren als een paar tokens, waardoor een verenigde generatieve voorafgaande training van video's, afbeeldingen en tekst mogelijk wordt. Tijdens inferentie worden de gegenereerde tokens van de LLM zorgvuldig teruggebracht naar de oorspronkelijke continue pixelruimte om diverse video-inhoud te creëren. Ons voorgestelde framework is zowel in staat om beeld- en video-inhoud te begrijpen als te genereren, zoals blijkt uit de competitieve prestaties op 13 multimodale benchmarks in beeld- en videobegrip en -generatie. Onze code en modellen zullen beschikbaar zijn op 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.