Video-LaVIT: Унифицированное предварительное обучение для видео и текста с разделенной визуально-двигательной токенизацией

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

February 5, 2024

Авторы: 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

Аннотация

В свете последних достижений в области мультимодальных больших языковых моделей (LLM), все больше внимания уделяется их масштабированию с данных, содержащих изображения и текст, на более информативные реальные видеоматериалы. По сравнению со статичными изображениями, видео представляет уникальные задачи для эффективного предварительного обучения в крупных масштабах из-за необходимости моделирования его пространственно-временной динамики. В данной работе мы устраняем такие ограничения в предварительном обучении на видео и тексте с помощью эффективной декомпозиции видео, представляющей каждый видеоролик в виде ключевых кадров и временных движений. Эти элементы затем адаптируются для LLM с использованием тщательно разработанных токенизаторов, которые дискретизируют визуальную и временную информацию в виде нескольких токенов, что позволяет проводить унифицированное генеративное предварительное обучение для видео, изображений и текста. На этапе вывода сгенерированные LLM токены аккуратно восстанавливаются в исходное непрерывное пространство пикселей для создания разнообразного видеоконтента. Предложенная нами структура способна как понимать, так и генерировать контент в виде изображений и видео, что подтверждается ее конкурентоспособными результатами на 13 мультимодальных тестах в области понимания и генерации изображений и видео. Наш код и модели будут доступны по адресу 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.