【大模型系列】Video-LaVIT(2024.06)

news2024/12/23 9:09:02

在这里插入图片描述

Paper：https://arxiv.org/abs/2402.03161
Github：https://video-lavit.github.io/
Title：Video-LaVIT: Unified Video-Language Pre-training with Decoupled Visual-Motional Tokenization
Author：Yang Jin，北大，快手

文章目录

1 Video-LaViT总结(省流版)
- 1.1 Video-LaViT是什么？
- 1.2 Video-LaViT能干什么?
- - 1.2.1 图像/视频问答
  - 1.2.2 文生图
  - 1.2.3 文生视频
  - 1.2.4 图生视频
2 Motivation
3 Method
- 3.1 关键帧与运动信息的获取与motion encoder
- 3.2 video detokenizer
4 训练细节
参考资料

1 Video-LaViT总结(省流版)

1.1 Video-LaViT是什么？

Video-LaViT是LaViT这篇工作的拓展，详见上一篇博客【大模型系列】Language-Vision Transformer(LaVIT, ICLR2024)
，作者同样来自于北大和快手。思路与LaViT类似，通过将视频分解为交替的关键帧和运动向量，关键帧采用LaViT中的Image tokenizer，运动向量则设计了一个Motion tokenizer来进行编码。然后通过[IMG]、[/IMG]和[MOV]、[/MOV]来区分。

1.2 Video-LaViT能干什么?

1.2.1 图像/视频问答

Video-LaViT可以理解图像和视频内容，并根据问题给出答案。
在这里插入图片描述

1.2.2 文生图

根据给定文本，生成对应的图片，毕竟基于LaViT开发的。
在这里插入图片描述

1.2.3 文生视频

根据给定文本，生成对应的视频。


"Sailboat sailing on a sunny day in a mountain lake"	"A steaming cup of coffee with mountains in the background. Resting during road trip"

1.2.4 图生视频

根据给定图片，生成对应的视频。

2 Motivation

当前一些video tokenization工作的总结：

流行的方式是先将原始视频下采样为一系列的frames，再使用ViT-encoder进行处理，这种方式忽略了帧之间的时间动态信息。
VideoPoet(2023)：3D video tokenizer，使用long token sequence，导致只能处理短视频，长视频资源消耗太大。

解决上面问题的方式：

视频中存在大量的冗余信息，将视频分解为交替的关键帧(keyframe&motion vectors)【其实就是视频编码的思路】
分解之后的组合可以用更少的token来表示视频的时间动态；
复用现成的纯图像LLM所获得的视觉知识，而只需专注于对是时间信息(temporal information)进行建模。

3 Method

video tokenizer：将视频转化为离散的tokens，其中关键帧keyframe使用现成的image tokenizer(ViT-G/14 of EVA-CLIP)；
motion encoder：用于将temporal motion也转化为离散的token；
video detokenizer：将LLM生成的video token恢复成视频。

3.1 关键帧与运动信息的获取与motion encoder

基于MPEG-4压缩技术来获取关键帧和运动信息。视频中的I帧就是关键帧。通常视频帧被分成16x16个宏块，运动信息motion vectors是通过寻找相邻帧之间的最佳就宏块对应关系来确定的。
$\vec{m}(p, q) = arg⁡\min_{i,j}||I_t⁢(p,q)−I_{t-1}⁢(p−i,q−j)||$
其中I(p, q)表示宏块在(p, q)的像素值，(i, j)是两个宏块中心的偏移量，于是视频可以分解为关键帧(HxWx3)和后续的T帧的运动矢量(Tx(H/16)x(W/16)x2)。

这段看不懂没关系，后面实际是采用ffmpeg来提取视频的关键帧I帧和运动向量P帧。
在这里插入图片描述
Source: I帧、P帧、B帧、GOP、IDR 和PTS, DTS之间的关系

运动矢量的tokenization与LaVIT的方式类似，先通过一个spatiotemporal encoder得到latent embedding，再与codebook中的向量计算L2距离，选择最近的codebook中的向量代替之，这就是所谓的Motion quantization，得到的结果就是motion vector的token，可参与后续的训练。

整个motion tokenizer通过一个解码器，来将motion token恢复，最后计算重构损失来更新参数。

3.2 video detokenizer

key frame关键帧：de-noising U-Net，与LaVIT类似，使用重建的visual features作为条件去控制生成细节

video detokenizer依赖于motion vector的引导，来生成关键帧之后T帧的恢复。有2种不同的motion conditon forms：
1、给定motion vector：(Tx(H/16)x(W/16)x2)，采用最近邻插值的方式，使其与UNet的输入相匹配；
2、关键帧key frame的latent state I（VAE产生）重复T以提供visual condition；
3、motion vector、key frame latent I和noisy video frame按通道拼接，作为video dekoenizer的输入；
4、使用3DUnet中的spatial temporal cross-attention block引入motion feature embedding来增强生成效果；

为了缓解单独解码带来的不同clip之间的细粒度视觉细节不一致，在解码关键帧时加入了明确的噪声约束。通过反转DDIM采样将最新一帧从先前生成的状态转化为中间的噪声状态。