谷歌AI视频再出王炸！全能通用视觉编码器VideoPrism，性能刷新30项SOTA

文章来源：新智元

图片来源：由无界AI生成

AI视频模型Sora爆火之后，Meta、谷歌等大厂纷纷下场做研究，追赶OpenAI的步伐。

最近，来自谷歌团队的研究人员提出了一种通用视频编码器——VideoPrism。

它能够通过单一冻结模型，处理各种视频理解任务。

论文地址：https://arxiv.org/pdf/2402.13217.pdf

比如，VideoPrism能够将下面视频中吹蜡烛的人分类、定位出来。

视频-文本检索，根据文本内容，可以检索出视频中相应的内容。

再比如，描述下面视频——一个小女孩正在玩积木。

还可以进行QA问答。

- 她放在绿色积木块上方积木的是什么颜色？

- 紫色。

研究人员在一个异构语料库对VideoPrism进行了预训练，包含3600万高质量视频字幕对和5.82亿个视频剪辑，并带有噪声并行文本（如ASR转录文本）。

值得一提的是，VideoPrism在33项视频理解基准测试中，刷新了30项SOTA。

通用视觉编码器VideoPrism

当前，视频基础模型（ViFM）有巨大的潜力，可以在庞大的语料库中解锁新的能力。

虽然之前的研究在一般视频理解方面取得了很大进展，但构建真正的「基础视频模型」仍然是一个难以实现的目标。

对此，谷歌推出了一种通用视觉编码器——VideoPrism，旨在解决广泛的视频理解任务，包括分类、本地化、检索、字幕和问答（QA）。

VideoPrism对CV数据集，以及神经科学和生态学等科学领域的CV任务进行了广泛评估。

通过使用单一冻结模型，以最小的适应度实现了最先进的性能。

另外，谷歌研究人员称，这种冻结编码器设置同时遵循先前研究，并考虑了其实际实用性，以及高计算和微调视频模型的成本。

设计架构，两阶段训练法

VideoPrism背后的设计理念如下。

预训练数据是基础模型（FM）的基础，ViFM的理想预训练数据，是世界上所有视频的代表性样本。

这个样本中，大多数视频都没有描述内容的并行文本。

然而，如果训在这样的文本，它就能提供有关视频空间的无价语义线索。

因此，谷歌的预训练策略应主要关注视频模式，同时充分利用任何可用的视频文本对。

在数据方面，谷歌研究人员通过汇集3600万高质量视频字幕对，以及5.82亿视频剪辑与噪声并行文本（如ASR转录、生成的字幕和检索到的文本）来近似建立所需的预训练语料库。

在建模方面，作者首先从所有不同质量的视频-文本对中对比学习语义视频嵌入。

随后，利用广泛的纯视频数据，对语义嵌入进行全局和标记提炼，改进了下文所述的掩码视频建模。

尽管在自然语言方面取得了成功，但由于原始视觉信号缺乏语义，掩码数据建模对于CV来说仍然具有挑战性。

现有研究通过借用间接语义（如使用CLIP引导模型或分词器，或隐含语义来应对这一挑战）或隐性推广它们（比如标记视觉patches），将高掩码率和轻量级解码器结合。

在上述想法的基础上，谷歌团队根据预训练数据采用了两阶段方法。

在第一阶段，进行对比学习，使用所有视频文本对，将视频编码器与文本编码器对齐。

根据先前的研究，谷歌团队最小化批中所有视频文本对的相似性得分，进行对称交叉熵损失最小化。

并使用 CoCa 的图像模型初始化空间编码模块，并将WebLI纳入到预训练中。

在计算损失之前，视频编码器的特征会通过多头注意力汇集池（MAP）进行聚合。

这一阶段允许视频编码器从语言监督中学习丰富的视觉语义，由此产生的模型为第二阶段训练提供语义视频嵌入。

第二阶段，继续训练编码器，并进行了两项改进：

- 模型需要根据未掩码的输入视频patches，来预测第一阶段的视频级全局嵌入和token式嵌入

- 编码器的输出token在传给解码器之前，要进行随机洗牌，以避免学习捷径。

值得注意的是，研究人员的预训练利用了两个监督信号：视频的文本描述，以及上下文自监督，使VideoPrism能够在以外观和动作为中心的任务上表现出色。

事实上，之前的研究表明，视频字幕主要揭示外观线索，而上下文我监督有助于学习动作。

实验结果

接下来，研究人员在广泛的以视频为中心的理解任务上评估VideoPrism，展现其能力和通用性。

主要分为以下四类：

(1) 一般仅视频理解，包括分类和时空定位

(2) 零样本视频文本检索

(3) 零样本视频字幕和质量检查

(4) 科学领域的CV任务

分类和时空定位

表2显示了VideoGLUE上的冻结骨干的结果。

在所有数据集上，VideoPrism都大幅优于基线。此外，将VideoPrism的底层模型大小从ViT-B增加到ViT-g可以显着提高性能。

值得注意的是，没有基线方法能在所有基准测试中取得第二好的成绩，这表明以前的方法可能是针对视频理解的某些方面而开发的。

而VideoPrism在这一广泛的任务上持续改进。

这一结果表明，VideoPrism将各种视频信号整合到了一个编码器中：多种粒度的语义、外观与运动线索、时空信息以及对不同视频源（如网络视频与脚本表演）的鲁棒性。

零样本视频文本检索和分类

表3和表4分别总结了视频文本检索和视频分类的结果。

VideoPrism的性能刷新多项基准，而且在具有挑战性的数据集上，VideoPrism 与之前的技术相比取得了非常显著的进步。

基础模型VideoPrism-B 的大多数结果，实际上优于现有的更大规模模型。

此外，VideoPrism与表4中使用域内数据和额外模态（例如音频）预训练的模型相当，甚至更好。这些在零样本检索和分类任务中的改进体现了VideoPrism强大的泛化能力。

零样本视频字幕和质量检查

表5和表6分别显示了，零样本视频字幕和QA的结果。

尽管模型架构简单且适配器参数数量较少，但最新模型仍具有竞争力，除VATEX外，在冻结视觉和语言模型的方法中名列前茅。

结果表明，VideoPrism编码器能够很好地推广到视频到语言的生成任务。

科学领域的CV任务

通用ViFM在所有评估中使用共享的冻结编码器，其性能与专门用于单个任务的特定领域模型相媲美。

尤其是，VideoPrism通常表现最好，并超越了具有基本规模模型的领域专家模型。

扩展到大规模模型可以进一步提高所有数据集的性能。这些结果表明ViFM有潜力显著加速不同领域的视频分析。

消融研究

图4显示了消融结果。值得注意的是，VideoPrism在SSv2上的持续改进表明，数据管理和模型设计工作在促进视频中的运动理解方面的有效性。

尽管对比基线已经在K400上取得了有竞争力的结果，但所提出的全局蒸馏和token洗牌进一步提高了准确性。

参考资料：
https://arxiv.org/pdf/2402.13217.pdf
https://blog.research.google/2024/02/videoprism-foundational-visual-encoder.html