ディスパイダー：ディセントグルド・パーセプション、ディシジョン、リアクションを介したアクティブなリアルタイムインタラクションを可能にするビデオLLMs

Dispider: Enabling Video LLMs with Active Real-Time Interaction via Disentangled Perception, Decision, and Reaction

January 6, 2025

著者: Rui Qian, Shuangrui Ding, Xiaoyi Dong, Pan Zhang, Yuhang Zang, Yuhang Cao, Dahua Lin, Jiaqi Wang

cs.AI

要旨

ビデオLLMとのアクティブなリアルタイムインタラクションは、ユーザーの意図を理解するだけでなく、ストリーミングビデオをリアルタイムで処理しながら応答するモデルを導入し、人間とコンピュータのインタラクションに新たなパラダイムをもたらします。オフラインのビデオLLMが質問に答える前にビデオ全体を分析するのに対し、アクティブなリアルタイムインタラクションでは、3つの能力が必要です。1）知覚：リアルタイムのビデオモニタリングとインタラクションの捕捉。2）決定：適切な状況での積極的なインタラクションの提供。3）反応：ユーザーとの継続的なインタラクション。ただし、望ましい能力の間には相反するものが存在します。決定と反応は、逆の知覚スケールと粒度を必要とし、自己回帰デコーディングはリアルタイムの知覚と決定を反応中に妨げます。矛盾する能力を調和のとれたシステム内で統一するために、私たちはDispiderを提案します。Dispiderは、知覚、決定、反応を分離するシステムであり、ビデオストリームを追跡し、インタラクションの最適なタイミングを特定する軽量の積極的なストリーミングビデオ処理モジュールを特徴としています。インタラクションがトリガーされると、非同期インタラクションモジュールが詳細な応答を提供し、同時に処理モジュールがビデオを監視し続けます。私たちの分離された非同期設計は、タイムリーで文脈に即した、計算効率の良い応答を保証し、長時間のビデオストリームにおけるアクティブなリアルタイムインタラクションに最適なDispiderを実現します。実験では、Dispiderが従来のビデオQAタスクで強力なパフォーマンスを維持するだけでなく、ストリーミングシナリオの応答において以前のオンラインモデルを大幅に上回り、私たちのアーキテクチャの効果を検証しています。コードとモデルはhttps://github.com/Mark12Ding/Dispider で公開されています。

English

Active Real-time interaction with video LLMs introduces a new paradigm for human-computer interaction, where the model not only understands user intent but also responds while continuously processing streaming video on the fly. Unlike offline video LLMs, which analyze the entire video before answering questions, active real-time interaction requires three capabilities: 1) Perception: real-time video monitoring and interaction capturing. 2) Decision: raising proactive interaction in proper situations, 3) Reaction: continuous interaction with users. However, inherent conflicts exist among the desired capabilities. The Decision and Reaction require a contrary Perception scale and grain, and the autoregressive decoding blocks the real-time Perception and Decision during the Reaction. To unify the conflicted capabilities within a harmonious system, we present Dispider, a system that disentangles Perception, Decision, and Reaction. Dispider features a lightweight proactive streaming video processing module that tracks the video stream and identifies optimal moments for interaction. Once the interaction is triggered, an asynchronous interaction module provides detailed responses, while the processing module continues to monitor the video in the meantime. Our disentangled and asynchronous design ensures timely, contextually accurate, and computationally efficient responses, making Dispider ideal for active real-time interaction for long-duration video streams. Experiments show that Dispider not only maintains strong performance in conventional video QA tasks, but also significantly surpasses previous online models in streaming scenario responses, thereby validating the effectiveness of our architecture. The code and model are released at https://github.com/Mark12Ding/Dispider.