An Image Grid Can Be Worth a Video: Zero-shot Video Question Answering Using a VLM

要約

最近の大規模言語モデル (LLM) の洗練された推論機能に刺激されて、ビデオ モダリティの橋渡しをするためのさまざまな戦略が考案されています。
顕著な戦略には、ビデオ言語モデル (VideoLM) が含まれます。これは、ビデオ データを使用して学習可能なインターフェイスをトレーニングし、高度なビジョン エンコーダを LLM に接続します。
最近、モダリティ ブリッジングの複数の段階にわたって、VideoLM や LLM などのすぐに利用できる基盤モデルを採用する代替戦略が浮上しました。
この研究では、単一の視覚言語モデル (VLM) のみを使用する、シンプルだが斬新な戦略を紹介します。
私たちの出発点は、ビデオは時間情報が織り込まれた一連の画像またはフレームで構成されているという単純な洞察です。
ビデオ理解の本質は、各フレームの空間的詳細とともに時間的側面を適切に管理することにあります。
最初に、複数のフレームをグリッド レイアウトに配置することにより、ビデオを 1 つの合成画像に変換します。
結果として得られる単一の画像は、画像グリッドと呼ばれます。
この形式は、孤立した画像の外観を維持しながら、グリッド構造内に時間情報を効果的に保持します。
したがって、イメージ グリッド アプローチを使用すると、ビデオ データのトレーニングを必要とせずに、単一の高性能 VLM を直接適用できます。
5 つの自由回答ベンチマークと 5 つの多肢選択ベンチマークを含む 10 のゼロショット ビデオ質問応答ベンチマークにわたる広範な実験分析により、提案されたイメージ グリッド ビジョン言語モデル (IG-VLM) が 10 ベンチマーク中 9 において既存の手法を上回っていることが明らかになりました。
。

要約(オリジナル)

Stimulated by the sophisticated reasoning capabilities of recent Large Language Models (LLMs), a variety of strategies for bridging video modality have been devised. A prominent strategy involves Video Language Models (VideoLMs), which train a learnable interface with video data to connect advanced vision encoders with LLMs. Recently, an alternative strategy has surfaced, employing readily available foundation models, such as VideoLMs and LLMs, across multiple stages for modality bridging. In this study, we introduce a simple yet novel strategy where only a single Vision Language Model (VLM) is utilized. Our starting point is the plain insight that a video comprises a series of images, or frames, interwoven with temporal information. The essence of video comprehension lies in adeptly managing the temporal aspects along with the spatial details of each frame. Initially, we transform a video into a single composite image by arranging multiple frames in a grid layout. The resulting single image is termed as an image grid. This format, while maintaining the appearance of a solitary image, effectively retains temporal information within the grid structure. Therefore, the image grid approach enables direct application of a single high-performance VLM without necessitating any video-data training. Our extensive experimental analysis across ten zero-shot video question answering benchmarks, including five open-ended and five multiple-choice benchmarks, reveals that the proposed Image Grid Vision Language Model (IG-VLM) surpasses the existing methods in nine out of ten benchmarks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google