Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Daily-Omni: Towards Audio-Visual Reasoning with Temporal Alignment across Modalities

Created by
  • Haebom

저자

Ziwei Zhou, Rui Wang, Zuxuan Wu

개요

본 논문은 시각 및 음향 정보가 풍부한 일상 생활 영상 684개를 기반으로 한 새로운 벤치마크인 Daily-Omni를 소개합니다. Daily-Omni는 6가지 주요 과제에 걸쳐 1197개의 객관식 질의응답(QA) 쌍을 포함하는 오디오-비주얼 질의응답 벤치마크입니다. 또한, 효율적인 데이터 생성 파이프라인(Daily-Omni QA Generation Pipeline)과 오픈소스 시각 언어 모델(VLM), 음향 언어 모델(ALM), 자동 음성 인식(ASR) 모델을 활용한 기준 모델(Daily-Omni-Agent)을 제시합니다. 연구 결과, 현재의 다중 모달 대규모 언어 모델(MLLM)은 오디오-비주얼 통합이 필요한 작업에서 어려움을 겪지만, VLM과 ALM을 간단한 시간 정렬 기법과 결합하면 성능이 크게 향상됨을 보여줍니다. 코드와 벤치마크는 깃허브에서 공개됩니다.

시사점, 한계점

시사점:
일상 생활 시나리오 기반의 새로운 오디오-비주얼 질의응답 벤치마크 Daily-Omni 제공
Daily-Omni를 위한 효율적인 데이터 생성 파이프라인 제시
기존 MLLM의 오디오-비주얼 통합 능력의 한계를 밝힘
VLM과 ALM의 간단한 결합을 통한 성능 향상 가능성 제시
오디오-비주얼 정보 처리 연구의 발전에 기여
한계점:
Daily-Omni 벤치마크의 규모가 상대적으로 작을 수 있음
제시된 Daily-Omni-Agent는 training-free 모델로, 더욱 정교한 모델 개발의 필요성 존재
다양한 유형의 오디오-비주얼 데이터 및 질문 유형에 대한 추가적인 연구 필요
👍