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.