本文第一作者為前阿里巴巴達摩院高級技術專家,現(xiàn)一年級博士研究生滿遠斌,研究方向為高效多模態(tài)大模型推理和生成系統(tǒng)。通信作者為第一作者的導師,UTA 計算機系助理教授尹淼。尹淼博士目前帶領 7 人的研究團隊,主要研究方向為多模態(tài)空間智能系統(tǒng),致力于通過軟件和系統(tǒng)的聯(lián)合優(yōu)化設計實現(xiàn)空間人工智能的落地。
近年來,大語言模型(LLM)持續(xù)刷新著多模態(tài)理解的邊界。當語言模型具備了「看視頻」的能力,視頻問答、視頻摘要和字幕生成等任務正逐步邁入真正的智能階段。但一個現(xiàn)實難題亟待解決——如何高效理解超長視頻?
為此,來自得克薩斯大學阿靈頓分校(UTA)計算機系研究團隊提出了AdaCM2:首個支持超長視頻理解的跨模態(tài)記憶壓縮框架。該研究已被CVPR 2025 正式接收,并榮獲Highlight 論文(接收率為 3%),展示出其在技術創(chuàng)新與實際價值上的雙重突破。
- 論文標題:AdaCM2: On Understanding Extremely Long-Term Video with Adaptive Cross-Modality Memory Reduction
- 論文地址:https://arxiv.org/pdf/2411.12593
背景:LLM 強大,長視頻理解卻步
多模態(tài)視頻理解模型如 VideoLLaMA、VideoChat 等已經(jīng)在短視頻(5–15 秒)場景中表現(xiàn)優(yōu)異,能夠回答關于視頻內(nèi)容的自然語言問題。但當視頻長度擴展至分鐘級甚至小時級,模型的顯存瓶頸和冗余信息干擾問題暴露無遺:
- 內(nèi)存消耗呈指數(shù)級上升,難以部署;
- 視覺 Token 冗余嚴重,導致關鍵信息被淹沒;
- 文本與視頻之間缺乏精準對齊機制。
AdaCM2 正是為解決這些核心問題而生。
提出動機:兩大關鍵觀察揭示「壓縮冗余」的機會
AdaCM2 的提出建立在對視頻與文本交互過程中的兩個核心觀察基礎上,揭示了現(xiàn)有模型在超長視頻場景下的內(nèi)在局限:
觀察一:幀內(nèi)注意力稀疏性(Intra-Frame Sparsity)
在長視頻的任意一幀中,只有極少數(shù)視覺 Token 對當前文本提示具有強相關性。絕大多數(shù)視覺信息對于回答文本問題(如「她在和誰說話?」)是無關的。實驗發(fā)現(xiàn),這些注意力得分呈現(xiàn)出尾部偏置分布,意味著高價值信息集中在少數(shù) Token 中。
啟發(fā):可以有選擇性地僅保留「重要的」視覺 Token,而無需一視同仁處理全部幀內(nèi)容。
觀察二:層間語義冗余性(Layer-Wise Redundancy)
研究還發(fā)現(xiàn),在深層網(wǎng)絡中,臨近幀之間的跨模態(tài)注意力相似度非常高,甚至在間隔較遠的幀之間也存在冗余。這種高相似性意味著:多個 Token 在不同時間或不同層次上表達了重復的語義信息。
啟發(fā):應該在不同層次上使用差異化的壓縮策略,從而動態(tài)平衡信息保留與內(nèi)存占用。
這兩大觀察構成了 AdaCM2 設計的基礎,驅動出一整套可調、可解釋、可擴展的「視頻記憶管理機制」。
創(chuàng)新:AdaCM2 提出跨模態(tài)動態(tài)壓縮機制
為應對長視頻帶來的內(nèi)存挑戰(zhàn),AdaCM2 首次引入了跨模態(tài)注意力驅動的層級記憶壓縮策略。其核心思想是:「僅保留那些對文本提示最有意義的視覺信息」,并通過跨層級的策略自適應完成壓縮,確保模型不丟關鍵信息。
關鍵技術點:
- 逐幀回歸式建模:AdaCM2 不再一次性輸入全部幀,而是逐幀處理并動態(tài)更新記憶緩存,實現(xiàn)輕量但語義連續(xù)的建模。
- 跨模態(tài)注意力打分:通過 Q-Former 模塊,模型在每一層中計算視覺 Token 與文本提示之間的注意力權重,只保留注意力得分高的「關鍵信息 Token」。
- 分層壓縮機制:針對不同 Transformer 層中 Token 的冗余程度,設置可調的壓縮參數(shù)(α 和 β),實現(xiàn)更精細的內(nèi)存控制。
- 與 LLM 無縫對接:AdaCM2 支持與各種主流 LLM 對接,如 Vicuna-7B、FlanT5 等,僅需輕量微調 Q-Former 模塊即可完成端到端訓練。
實驗結果:性能超越 SOTA + 顯存下降 65%
AdaCM2 在多個長視頻標準數(shù)據(jù)集上進行了驗證,包括:
- LVU 分類任務:平均 Top-1 準確率提升 4.5%,在「導演」「場景」等任務上領先所有方法;
- COIN / Breakfast 行為理解任務:超過 MA-LMM,展示更強泛化能力;
- MSVD 視頻字幕生成:達到 189.4 CIDEr,領先現(xiàn)有 SOTA;
- 內(nèi)存效率:顯存使用下降 65%,在極端情況下依舊維持穩(wěn)定推理,支持處理超 2 小時長視頻。
消融研究也顯示,若移除跨模態(tài)壓縮模塊或將其替換為隨機丟棄,模型性能將顯著下降,證明觀察驅動設計的有效性。
應用前景:多模態(tài)大模型的「長時記憶」引擎
AdaCM2 的提出,為多模態(tài)模型賦予了「可控的長時記憶能力」。這一能力不僅適用于傳統(tǒng)的視頻理解任務,還對以下未來應用場景具有重要意義:
- 智能交通監(jiān)控:支持對全天候視頻的智能分析與摘要生成;
- 醫(yī)療手術記錄分析:自動分析長時間術中操作行為;
- 教育與會議記錄理解:提取關鍵片段并生成總結;
- 機器人感知:支持具備持續(xù)視覺記憶的具身智能體。
總結
AdaCM2 作為首個專注于極長視頻理解的跨模態(tài)記憶壓縮框架,在大語言模型和視覺編碼器之間架起了一座高效的信息篩選橋梁。它不僅優(yōu)化了計算資源利用率,還拓展了多模態(tài) AI 在實際應用中的邊界。隨著多模態(tài)大模型逐步走向落地,AdaCM2 的提出無疑將成為推動長視頻智能理解發(fā)展的關鍵技術。
該論文已被 CVPR 2025 接收并評為 Highlight 論文,充分體現(xiàn)其在長視頻多模態(tài)建模領域的前瞻性與影響力。更多相關研究成果也即將在未來發(fā)布,敬請關注!
特別聲明:以上內(nèi)容(如有圖片或視頻亦包括在內(nèi))為自媒體平臺“網(wǎng)易號”用戶上傳并發(fā)布,本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.