秒懂视频的 AI 诞生了！KAUST 和哈佛大学研究团队提出 MiniGPT4-Video 框架，不仅能理解复杂视频，甚至还能作诗配文。
几天前，OpenAI 官方账号发布了第一支由 Sora 制作的 MV——Worldweight，引全网围观。
AI 视频，已然成为多模态 LLM 发展的大趋势。然而，除了视频生成，让 LLM 对复杂视频进行理解，也至关重要。
最近，来自 KAUST 和哈佛大学的研究人员提出了 MiniGPT4-Video—— 专为视频理解而设计的多模态大模型。
值得一提的是，MiniGPT4-Video 能够同时处理时态视觉数据和文本数据，因此善于理解视频的复杂性。比如，上传一个宝格丽的首饰宣传视频。
MiniGPT4-Video 能够为其配出标题，宣传语。
再比如，使用虚幻引擎制作的视频，新模型可以对其进行理解。
能看出这个视频使用了后期处理和特效，而不是实际拍摄出来的。
甚至，看过一簇簇花盛开的视频，MiniGPT4-video 即兴作出了超美的抒情诗。
基于 MiniGPT-v2，MiniGPT4-video 将其能力扩展到处理帧序列，以便理解视频。
MiniGPT4-video 不仅考虑了视觉内容，还纳入了文本对话，使该模型能够有效地回答涉及视觉和文本内容的查询。
实验结果显示，新方法在 MSVD、MSRVTT、TGIF 和 TVQA 基准上分别提高了 4.22%、1.13%、20.82% 和 13.1%。
接下来，一起看看 MiniGPT4-video 还能做什么？
更多演示
上传一个宝宝戴眼镜看书的视频后，MiniGPT4-video 可以理解搞笑点在哪里。
提取视频中核心要义，也不在话下。
你还可以让 MiniGPT4-Video 生成一个创意性的广告。
解说视频也是超级厉害。
MiniGPT4-Video 能能够拥有如此强大视频解读能力，究竟是怎么做到的？
技术介绍
MiniGPT-v2 通过将视觉特征转化为 LLM 空间，从而实现了对单幅图像的理解。
他的结构如下图 2 所示，由于 LLM 上下文窗口的限制，每段视频都要进行帧子采样，帧数（N）由 LLM 的上下文窗口决定。
随后，使用预先训练好的模型 EVA-CLIP，将视觉帧与文本描述对齐，然后使用线性层将其映射到大型语言模型空间。
与 MiniGPT-v2 类似，研究人员将每幅图像中每四个相邻的视觉 token 浓缩为一个 token，从而将每幅图像的 token 数减少了 75%，从 256 个减少到 64 个。
在训练过程中，研究人员会随数据集提供字幕，但在推理过程中或视频没有字幕时，研究人员会利用语音到文本模型（如 whisper）生成视频字幕。
帧字幕使用 LLM tokenizer 进行 token 化，将每个采样帧的视觉 token 和文本 token 进行连接。指令 token 被附加到输入序列的末尾，然后模型输出问题的答案。
训练流程
大规模图像-文本对预训练
在第一阶段，研究人员训练了一个线性层。
它将由视觉编码器编码的视觉特征（例如 EVACLIP ）投影到 LLM 的文本空间中，并采用 captioning loss。
研究人员利用了一个结合的图像描述数据集，包括来自 LAION、概念性标题（Conceptual Captions）和 SBU 的图像，以将视觉特征与 LLM 的输入空间对齐。
大规模视频-文本对预训练
在第二阶段，研究人员使模型通过输入多帧来理解视频。
具体来说，研究人员从每个视频中抽取最多 N 帧。在此阶段，研究人员使用以下模板中的预定义提示：
<s>[INST]<Img><FrameFeature_1><Sub><Subtitle text_1>… <Img> <FrameFeature_N><Sub><Subtitle text_N><Instruction></INST>
抽取的帧数取决于每个语言模型的上下文窗口，特别是对于 Llama 2，上下文窗口是 4096 个 tokens，而 Mistral 的上下文窗口是 8192 个 tokens。
在研究人员的方法中，他们用了 64 个 tokens 表示每个图像。
因此，对于 Llama 2，研究人员指定 N=45 帧，相当于 2880 个 tokens 用于视觉内容表示。
此外，研究人员为字幕分配 1000 个 tokens，而剩余的 tokens 用于模型输出。
类似地，在 Mistral 的情况下，上下文窗口加倍，N 相应地加倍到 N=90 帧，以确保与扩展的上下文窗口兼容。
在此提示中，每个 <FrameFeature> 都由视觉主干编码的采样视频帧替换。
<Subtitle text> 代表相应帧的字幕，<Instruction > 代表研究人员预定义的指令集中随机采样的指令，包含多种形式的指令，如「简要描述这些视频」。
研究人员使用结合了 CMD 和 WebVid 的视频描述数据进行大规模视频描述训练。
视频问题解答指令微调
在这一阶段，研究人员采用与第二阶段相同的训练策略，但重点是利用高质量的视频答题数据集进行教学微调。
这一微调阶段有助于提高模型解释输入视频和生成精确回复的能力。
解释输入视频并生成相应的问题。模板与第二阶段模板与第二阶段的模板相同，但将 <Instruction> 替换为 Video-ChatGPT 数据集中提到的一般问题。
实现细节
在三个训练阶段中，研究人员保持批大小为 4，并使用 AdamW 优化器结合余弦学习率调度器，将学习率设置为 1e4。
研究人员的视觉主干是 EVA-CLIP，进行了权重冻结。
值得注意的是，研究人员训练了线性投影层，并使用 LoRA 对语言模型进行了高效微调。
具体来说，研究人员微调了 Wq 和 Wv 组件，排名 (r) 为 64，LoRA-alpha 值为 16。整个模型以一致的 224×224 像素的图像分辨率进行训练，确保了所有阶段的统一性。
多项基准，刷新 SOTA
为了对最新提出的架构进行全面评估，研究人员评估了三种基准类型的性能：Video-ChatGPT、Open-ended Questions 和 Multiple-Choice Questions (MCQs)。
表 1 所示的 VideoChatGPT 基准测试中，最新模型在没有字幕的情况下与之前的方法不相上下。
当研究人员将字幕作为输入时，模型在所有五个维度上都取得了 SOTA。
这验证了研究人员的模型可以利用字幕信息，来提高视频的理解。
在另外两个基准测试评估中，MiniGPT4-Video 明显优于最新的 SOTA 方法。
它在 MSVD、MSRVTT、TGIF 和 TVQA 基准上分别实现了 4.22%、1.13%、20.82% 和 13.1% 的显着改进。
带字幕和不带字幕的结果进一步表明，将字幕信息与视觉提示集成可显著提高性能，TVQA 的准确率从 33.9% 提高到 54.21%。
定性结果
更多的定性结果，如下图所示。
最后，研究人员还将 MiniGPT4-video 与 VideoChatGPT 相比较。
可以看出，针对一个问题，最新方法的回复更加全面。
总之，MiniGPT4-video 有效地融合了视频领域内的视觉和对话理解，为视频问答提供了一个 引人注目的解决方案。
不过，缺陷在于上下文窗口限制。
具体来说，当前版本要求 Llama 2 视频长度为 45 帧（不到一分半），Mistral 版本的视频长度为 90 帧（不到三分钟）。
因此，下一步研究将模型能力扩展到处理更长视频的能力。
参考资料：
-
https://arxiv.org/pdf/2404.03413.pdf