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.

VRoPE: Rotary Position Embedding for Video Large Language Models

Created by
  • Haebom

저자

Zikang Liu, Longteng Guo, Yepeng Tang, Tongtian Yue, Junxian Cai, Kai Ma, Qingbin Liu, Xi Chen, Jing Liu

개요

RoPE(Rotary Position Embedding)는 텍스트 기반 LLM에서 강력한 성능을 보였지만, 비디오의 복잡한 시공간 구조로 인해 비디오에 적용하는 것은 어려움이 있었습니다. 기존의 RoPE-3D와 같은 방법은 공간 및 시간 차원을 개별적으로 인코딩하려고 시도하지만, 어텐션 분포의 위치 편향과 비디오-텍스트 전환의 붕괴라는 두 가지 주요 한계점이 있습니다. 본 논문에서는 비디오 LLM에 맞춤화된 새로운 위치 인코딩 방법인 VRoPE(Video Rotary Position Embedding)를 제안합니다. VRoPE는 어텐션 편향을 완화하고 공간 초점의 균일한 분포를 보장하는 보다 균형 잡힌 인코딩 전략을 도입합니다. 또한, 비디오와 텍스트 토큰 간의 원활한 전환을 보장하도록 위치 인덱스를 재구성합니다. 다양한 모델에 대한 광범위한 실험을 통해 VRoPE가 기존 RoPE 변형보다 일관되게 성능이 우수하며, 비디오 이해, 시간적 추론 및 검색 작업에서 상당한 성능 향상을 달성함을 보여줍니다. 코드는 https://github.com/johncaged/VRoPE 에서 제공될 예정입니다.

시사점, 한계점

시사점:
기존 RoPE의 한계점인 위치 편향 및 비디오-텍스트 전환 문제를 효과적으로 해결.
비디오 이해, 시간적 추론 및 검색 작업에서 기존 RoPE 변형보다 우수한 성능 달성.
비디오 LLM의 성능 향상에 기여하는 새로운 위치 인코딩 방법 제시.
한계점:
제시된 방법의 일반화 성능에 대한 추가적인 연구 필요.
다양한 비디오 데이터셋에 대한 추가적인 실험 필요.
👍