ACL 2024 Findings | 视频大语言模型能理解视频中的时序信息吗？

国际科技财经移民娱乐民生时事体育

Bendi新闻

6月前

©PaperWeekly 原创 · 作者 | 刘源鑫

单位 | 北京大学

研究方向 | 多模态大语言模型

论文标题：

TempCompass: Do Video LLMs Really Understand Videos?

收录会议：

ACL 2024 Findings

论文链接：

https://arxiv.org/abs/2403.00476

代码及数据链接：

https://github.com/llyx97/TempCompass

LeaderBoard链接：

https://huggingface.co/spaces/lyx97/TempCompass

背景及动机

视频大语言模型（Video Large Language Models, Video LLM）旨在将 LLM 拓展为视频-文本多模态场景下的通用智能助手。和纯文本 LLM 相比，Video LLM 具有视觉感知能力。相较于传统视觉-语言模型（Vision-Language Models, VLM），Video LLM 又继承了 LLM 强大的指令理解、逻辑推理以及多伦对话能力，从而能够更加流畅地与用户交互，应对现实世界中的复杂任务。

（a）自动驾驶

（b）视频教程

▲ 图1 需要时序理解能力的应用场景

和静态图像相比，视频数据的独特之处在于引入了时间维度。在众多视频相关的应用中，对动态时序信息的理解也是至关重要的。举例而言，在以上自动驾驶场景中，为了做出合理的驾驶决策，系统不仅要识别出道路环境中的车辆，还要进一步判断它们相对于自动驾驶车辆的速度变化与行驶方向。同样，在视频教程中，有效学习不仅涉及对单个操作步骤的认知，还包含了步骤间顺序和关联性的理解。

鉴于此，对 Video LLM 时序理解能力的评测显得尤为重要。考虑到 Video LLM 作为多模态通用智能助手的定位，构建其时序理解能力的 benchmark 应聚焦于以下几个核心特性：

多样的时序信息类型：评测应当整合多样的时序特征，例如事件顺序、物体运动方向、属性变化等，确保 Video LLM 能理解各类时序信息。
多样的任务指令形式：对于视频中同样一条时序信息，应该设计不同形式的任务指令，从而检验 Video LLM 对任务指令多样性的鲁棒程度。
开放域的视频样本类型：评测的视频样本应当涵盖不同领域类型，从而验证 Video LLMs 在理解开放领域视频内容时的泛化与适用性。

经过广泛调研，我们总结了现有视频理解 benchmark 关于以上三个方面的设计（如图 2 所示），发现它们都在其中某些方面存在不足。因此，我们提出了 TempCompass benchmark 来实现对 Video LLM 时序理解能力的全面评测。

▲ 图2 不同视频理解 benchmark 对比

数据集构建

2.1 数据集结构设计

▲ 图3 TempCompass 数据集结构；时序信息类型（左）；任务指令类型（右）

时序信息类型：如图 3（左）所示，我们系统性地将视频中的时序信息归纳为 5 大类型，包括动作（Action）、速度（Speed）、方向（Direction）、属性变换（Attribute Change）以及事件顺序（Event Order）。其中动作又被进一步划分为粗细两种粒度；速度方面对相对速度和绝对速度进行区分；方向方面既考虑物体的运动也涉及相机镜头的运动；属性变换也根据属性的不同进行了区分。

任务指令类型：如图 3（右）所示，我们设计了 4 种任务来探究模型对同一条时序信息的理解。多选问答（Multi-Choice QA）要求模型从给定的多个选项中找出正确答案。是非判断（Yes/No QA）要求模型判断一个陈述是否正确。视频描述匹配（Caption Matching）要求模型在两段仅在特定时序类型上有所差异的文本描述中（比如 ice cream melting和freezing），甄别出与视频内容最为贴合的一项。

最后，在视频描述生成（Caption Generation）任务中，我们向模型展示关于特定时序类型的多条元信息（Meta-Information），要求其找出和视频最相符的一条并基于此生成视频描述。

视频内容类型：根据视频主体的不同，我们将视频内容分为 9 个类型，即 People, Animals, Plants, Vehicles, Artifacts, Food, Buildings, Natural Objects, Abstract。

2.2 数据收集

2.2.1 数据收集总体流程

基于以上数据集结构设计，我们的每条数据样本需要包含 4 个元素：视频、元信息、视频内容类型以及任务指令。为了兼顾效率和数据质量，我们采用了自动生成和人工标注结合的数据收集策略，具体流程如下：

人工选择若干时序信息类型和视频内容类型。
人工收集相关视频+自动构建冲突视频。
人工标注与选定时序类型相关的元信息。
用 ChatGPT（gpt3.5-turbo）基于元信息生成任务指令。
人工检查生成指令的质量并进行修正。

2.2.2 视频收集

▲ 图4 单帧偏见和语言先验（左）；冲突视频构建（右）

我们从 ShutterStock 网站收集原始视频，并确保这些视频未被采纳入 WebVid 数据集——该数据集广泛用于视频-语言模型的预训练，从而避免了数据信息泄露。

在某些情况下，模型即使没有真正理解视频中的时序信息也可以通过一些捷径（shortcuts）正确回答相关问题。如图 4（左）所示，模型可以依赖单帧图像偏差（Single-Frame Bias），即仅凭静止画面推测运动员从左向右奔跑；以及凭借语言先验知识（Language Priors）盲猜出视频中的车辆正向前行驶。

为了缓解评测结果受以上因素的干扰，我们在收集的原始视频基础上构造了冲突视频（Conflicting Videos）。

对于 Direction 和 Attribute Change，我们将原始视频倒放。倒放版本和原始视频总体内容一致，但是在 Direction 或 Attribute Change 方面是相互冲突的。对于 Speed，我们将一个原始视频以不同速度播放并上下拼接在一起，然后根据三种不同的拼接组合方式构造了在 Speed 方面相互冲突的三个视频。对于 Event Order，我们将两个互不相关的视频 A 和视频 B 按三种方式拼接在一起（A 先 B 后，B 先 A 后，以及 AB 同时），构成三个冲突视频。

2.2.3 任务指令收集

▲ 图5 Multi-Choice QA 任务指令生成 prompt

我们用 ChatGPT 基于人工标注的元信息生成四种任务的指令。如图 5 所示，除了元信息和指定的时序类型外，我们还给 ChatGPT 提供了详细的任务描述以及一些 in-context learning 样例，使其能够按期望的格式进行生成。关于其他三种任务的指令自动生成细节，请参考我们的论文。

2.3 数据统计

▲ 图6 数据分布统计

按照上述数据收集流程，我们总共收集了 410 条视频（每条视频可以属于多个static content）和 7,540 条任务指令。如图 6 所示，每种任务至少包含 1,500 条任务指令，并且 5 种时序信息类型下的指令数量大致是均匀分布的。

2.4 数据样例

▲ 图7 完整数据样例

图 7 展示了一个完整的数据样例，其中包括视频、元信息（Meta-Information）、视频内容类型（Static Contents）以及四个任务的指令。

评测方法

（a）评测流程

（b）LLM 自动评测 prompt

▲ 图8 规则+LLM自动评测

在 Multi-Choice QA, Yes/No QA 和 Caption Matching 这三种任务中，候选项集合是固定的。因此，我们设计了一系列基于规则的匹配方法，检查 Video LLM 的回复能匹配到某个选项。例如在图 8 中，Video LLM2 直接回复了 “D” 可以匹配为“选项 D”。

相比之下，Video LLM1 的回复 “The best option is pick up the pineapple” 无法通过规则匹配到某个选项。在这种情况下，我们利用 LLM（ChatGPT）进行评估。具体而言，我们在 prompt 中提供任务类型（[X]）、任务指令（[question]）、标准答案（[ground_truth_answer]）以及 Video LLM 回复（[video_llm_prediction]）等信息，然后让 ChatGPT 作出 “Correct” 或“Incorrect 的判断”。

▲ 图9 LLM 自动评测 Caption Generation 的 prompt

由于 Caption Generation 任务的答案是开放性的，评估生成视频描述的精确性不能简单依赖于与预设参考文本的对比。因此，我们为该任务专门设计了一个评测方案：以 Video LLM 生成的视频描述为上下文，让纯文本 ChatGPT 完成相应的 Multi-Choice QA 任务（prompt 见图 9）。

如果 ChatGPT 能够准确作答，则可推断 Video LLM 所生成的描述充分包含了所需时序信息，反之，若信息缺失或误导则 ChatGPT 应当在 Multi-Choice QA 任务上回答错误。此外，考虑到 Video LLM 生成的描述可能和 Multi-Choice QA 的所有选项均不匹配，我们还允许 ChatGPT 选择 “None of the choices are correct”。在这种情况下，Video LLM 生成的描述也被认为是不正确的。

评测结果

（a）Multi-Choice QA

（b）Yes/No QA

（c）Caption Matching

（d）Caption Generatio

▲ 图10 自动评测结果

图 10 展示了对部分多模态大语言模型（Multi-Modal Large Language Models, MLLM）的评测结果。其中 Video-LLaVA，VideoChat2 和 Gemini-1.5-pro 属于 Video LLM，天然支持视频输入。SPHINX-V2 属于 Image LLM，只支持单帧图像输入。对更多模型的评测结果请参见我们的论文。

从以上评测结果中，我们可以发现：

所有 MLLMs 在 Action 相关的两个维度上表现都不错。由于动作类型很大程度上可以根据单帧图像判断，我们可以推断这些 MLLMs 对静态视觉内容的感知能力都不错。
在需要时序理解的其他维度上，Video-LLaVA 和 VideoChat2 相比基于图像的 SPHINX-V2 没有明显的优势，说明现有开源 Video LLM 的时序理解能力还有很大的提升空间。
现有 MLLM 对任务指令类型的鲁棒性也有待提升。例如，VideoChat2 在 Caption Matching 任务上的总体效果显著比 Multi-Choice QA 和 Yes/No QA 这两个任务差。
Gemini-1.5-pro 的时序理解能力显著优于其他模型，在 Attribute Change，Event Order 和 Absolute Speed 等维度上取得了较好的效果。然而，Gemini-1.5-pro 在相对速度以及运动方向的感知上效果也还不太理想。

图 11 展示了一对冲突视频（原始视频和其倒放版本）下的 case study。我们发现，尽管三个模型在原始视频情景下都作出了正确的回答，它们在面对倒放视频时却一致出错，这揭示了它们时序理解能力的不足。同时，从这个例子中还可以看出我们自动评测方法的有效性，可以对 MLLM 开放式的回复进行准确的评测。

▲ 图11 自动评测结果 Case Study

总结

本文对 Video LLM 的时序理解能力评测进行了探究，核心贡献包括以下四个方面：

我们提出了 TempCompass benchmark，其涵盖了多样的时序信息类型、任务指令形式以及视频内容类型，可以对 Video LLM 的时序理解能力进行全面的评测。
我们创新性地构造了冲突视频，有效缓解了 single-frame bias和language-priors 对评测结果的影响。
我们设计了一套结合规则和 LLM 的自动评测方案，可以高效准确地对 Video LLM 的回复进行评测。
我们的评测结果揭示了现有 Video LLM 时序理解能力以及对任务指令鲁棒性的不足，为未来的改进方向提供了有价值的参考。

更多阅读