LLaVA-ST：解锁时空理解，多模态大模型迈向细粒度新境界

最新推荐文章于 2025-12-02 15:55:42 发布

原创最新推荐文章于 2025-12-02 15:55:42 发布 · 1.9k 阅读

CC 4.0 BY-SA版权

文章标签：

近日北航在论文《LLaVA-ST: A Multimodal Large Language Model for Fine-Grained Spatial-Temporal Understanding》介绍了新型多模态大语言模型LLaVA-ST，专门用于处理细粒度的时空理解任务，通过引入语言对齐的位置嵌入（LAPE）和时空打包器（STP），以及一个包含430 万样本的训练数据集ST-Align，首次实现了对时空事件的联合定位和理解。LLaVA-ST 在 11 个基准测试中展现了卓越的性能，特别是在处理涉及时间、空间和时空交错的细粒度理解任务上。

一、LLaVA-ST

在这里插入图片描述

核心看点：

LLaVA-ST 模型架构: 整个模型架构还是以LLM 为底座，对于输入的图像、视频先通过vision encoder 提取特征，然后通过一个MLP 映射到文本空间。接着，使用LAPE 把文本坐标特征叠加到视觉特征里，然后打平扔到LLM 中进行处理。对于视频内容，还会使用STP 进一步压缩得到时间、空间2 个维度的特征，同样也是打平扔到LLM 中进行处理。
语言对齐的位置嵌入: LAPE 核心思想是将表示坐标的特殊 token（如 <t<τ>>, <w<ω>>, <h<η>>）直接嵌入到视觉特征空间中作为视觉特征位置编码，从而绕过复杂的跨模态坐标对齐问题。首先，将时间、宽度和高度维度划分为多个区间，并为每个区间分配一个特殊token，然后这些特殊token 扩展到LLM 输入Embedding 和输出Head 中，并把 token Embedding（pw, pη, pτ）和输出Head 权重参数（pω, ˆpη, ˆpτ）1:1 融合作为视觉位置编码，最后通过线性插值将视觉位置编码降采样到与视觉特征相匹配的大小，并与视觉特征相加，完成位置嵌入。微调训练过程中，位置编码中的这2 部分会被随机初始化并与视觉特征的坐标对齐。
时空打包器: STP 通过分离时间和空间压缩过程，并采用点到区域的注意力机制，在保留更多时空关系的同时，更有效地压缩视频特征，并保留细粒度信息。STP 分为两个步骤：首先，通过空间维度的降采样减少空间分辨率，得到 F；然后，分别沿着空间和时间维度对F 进行压缩，得到Fs 和Ft。在每个步骤中，都采用了一种点到区域的注意力机制，即将每个降采样（平均池化）后的点特征作为 query，将对应的原始区域特征作为 key 和 value 进行注意力计算，从而将细粒度信息融入到压缩后的特征中。
渐进式训练策略: 采用分阶段训练策略，逐步学习内容对齐、坐标对齐和多任务能力，提高训练稳定性和最终性能。训练分为三个阶段，1）内容对齐: 使用视频字幕数据初步对齐视觉和语言内容，此时只训练 STP 模块，固定LLM 参数。2）坐标对齐: 使用需要细粒度视觉理解的任务（如 REC、DGC、TVG、DVC 等）训练模型对齐时空坐标，同时训练STP 和LLM（以LoRA 方式）。3）多任务指令微调: 引入多种高质量标注数据集，包括 VQA、REC、TVG 以及新引入的 STVG、ELC、SVG 等，进一步提升模型的多任务能力和细粒度时空理解能力。训练方式跟阶段二类似，但LLM 部分会使用新的LoRA 参数。
ST-Align 数据集: ST-Align 数据集包含约 430 万个训练样本，涵盖15 种不同的细粒度多模态理解任务，包括通用视觉理解任务、空间细粒度理解任务、时间细粒度理解任务、时空交错细粒度理解任务，特别地，针对时空交错理解任务，利用 GPT-4-turbo 对VidSTG 数据集进行了修订和增强，并对每种任务额外用2000 条样本进行评估。