Deep Video Discovery: Agentic Search with Tool Use for Long-form Video Understanding
Created by
Haebom
저자
Xiaoyi Zhang, Zhaoyang Jia, Zongyu Guo, Jiahao Li, Bin Li, Houqiang Li, Yan Lu
개요
본 논문은 시간적·공간적 복잡성이 높고 긴 맥락에서 질문에 답하기 어려운 장시간 비디오 이해의 과제를 해결하기 위해, 에이전트 기반 검색 전략을 활용하는 Deep Video Discovery (DVD) 에이전트를 제안합니다. 기존 비디오 에이전트의 고정된 워크플로우와 달리, DVD 에이전트는 자율적인 특성을 강조하며 다양한 크기의 비디오 데이터베이스 상에서 검색 중심 도구들을 활용합니다. LLM의 고급 추론 능력을 활용하여 현재 관찰 상태를 계획하고, 전략적으로 도구를 선택하고, 행동에 적절한 매개변수를 설정하며, 수집된 정보에 비추어 내부 추론을 반복적으로 개선합니다. 여러 장시간 비디오 이해 벤치마크에 대한 종합적인 평가를 통해 시스템 설계의 우수성을 보여주며, 특히 LVBench 데이터셋에서 기존 연구보다 성능을 크게 상회하는 최첨단(SOTA) 결과를 달성했습니다. 또한, ablation study와 도구 분석을 통해 장시간 비디오 이해를 위한 지능형 에이전트 발전에 대한 통찰력을 제공하며, 코드는 공개되었습니다 (https://github.com/microsoft/DeepVideoDiscovery).