본 논문은 기존 Video Large Language Models (VideoLLMs)이 다중 샷 시나리오(다양한 카메라 각도나 장면 변화를 포함하는 비디오 클립)에서 어려움을 겪는 문제를 해결하기 위해, 다중 샷 시나리오에 맞춤화된 밀집된 설명과 지시 기반 질의응답 쌍을 특징으로 하는 새로운 데이터셋 MultiClip-Bench를 제시합니다. 기존 모델들이 객체 정보를 불완전하게 인코딩하는 문제점을 분석하고, 객체 수준의 특징을 인스턴스 프롬프트로 효율적인 어텐션 기반 연결기를 통해 주입하는 새로운 모델 IPFormer-VideoLLM을 제안합니다. 실험 결과, 제안된 데이터셋과 모델은 다중 장면 비디오 이해를 크게 향상시키고 다양한 비디오 벤치마크에서 뚜렷한 이점을 제공함을 보여줍니다.
