研究團(tuán)隊還建立了全新的 LongerVideos 基準(zhǔn)數(shù)據(jù)集。

原標(biāo)題：單卡3090幫你一口氣看完《黑悟空》，港大百度打造超長視頻理解引擎VideoRAG
文章來源：機(jī)器之心
內(nèi)容字?jǐn)?shù)：8225字

VideoRAG：高效理解數(shù)百小時超長視頻的創(chuàng)新框架

本文介紹了來自香港大學(xué)黃超教授實(shí)驗(yàn)室的最新科研成果——VideoRAG，一個用于高效理解超長視頻的創(chuàng)新框架。該框架突破了現(xiàn)有技術(shù)在超長視頻理解任務(wù)中的時長限制，僅需單張RTX 3090 GPU即可高效處理數(shù)百小時的視頻內(nèi)容。其核心在于創(chuàng)新的多模態(tài)知識索引框架和高效的檢索機(jī)制，使得VideoRAG能夠準(zhǔn)確理解并回答關(guān)于超長視頻的復(fù)雜問題。

1. 核心優(yōu)勢與研究背景

VideoRAG 的主要優(yōu)勢包括：高效理解數(shù)百小時超長視頻；將視頻內(nèi)容濃縮為結(jié)構(gòu)化的知識圖譜；采用多模態(tài)檢索以精準(zhǔn)響應(yīng)查詢；建立了全新的長視頻基準(zhǔn)數(shù)據(jù)集LongerVideos。 當(dāng)前的RAG（Retrieval-Augmented Generation）技術(shù)主要應(yīng)用于文本領(lǐng)域，在處理超長視頻時面臨跨視頻語義關(guān)聯(lián)和長時序依賴建模的挑戰(zhàn)。VideoRAG 通過解決這些挑戰(zhàn)，實(shí)現(xiàn)了對超長視頻的全面理解。

2. 框架設(shè)計

VideoRAG采用雙通道多模態(tài)視頻知識索引架構(gòu)，分別處理視頻的視覺、音頻和文本信息。視覺信息通過視覺語言模型(VLM)生成自然語言描述；音頻信息通過自動語音識別(ASR)轉(zhuǎn)錄成文本；然后，利用大語言模型(LLMs)構(gòu)建全局知識圖譜，建模跨視頻片段的語義關(guān)聯(lián)和時序依賴。在檢索階段，VideoRAG采用混合多模態(tài)檢索范式，結(jié)合知識圖譜和多模態(tài)特征嵌入，精準(zhǔn)識別與查詢相關(guān)的視頻片段。最后，利用LLMs整合檢索到的信息并生成最終的回答。

3. LongerVideos數(shù)據(jù)集與實(shí)驗(yàn)評估

研究團(tuán)隊構(gòu)建了LongerVideos基準(zhǔn)數(shù)據(jù)集，包含164個視頻，總時長超過134小時，涵蓋講座、紀(jì)錄片和娛樂等類別。該數(shù)據(jù)集支持對跨視頻推理能力的評估。在LongerVideos數(shù)據(jù)集上，VideoRAG在多個維度（全面性、賦能性、可信度、深度、信息密度）上顯著優(yōu)于現(xiàn)有RAG方法和支持超長視頻輸入的LVMs模型，證明了其卓越的長視頻理解能力。消融實(shí)驗(yàn)也驗(yàn)證了基于圖的索引和視覺信息處理的重要性。

4. 案例分析與結(jié)論

案例分析展示了VideoRAG在處理復(fù)雜查詢時的有效性，其能夠準(zhǔn)確提取相關(guān)信息并生成詳細(xì)、有據(jù)可依的答案，顯著優(yōu)于其他基線模型。總而言之，VideoRAG通過精確的視頻知識結(jié)構(gòu)構(gòu)建、高效的多模態(tài)信息檢索和強(qiáng)大的長視頻處理能力，為超長視頻理解提供了新的解決方案。

VideoRAG 的研究成果為超長視頻理解領(lǐng)域帶來了重大突破，為未來相關(guān)研究提供了寶貴的資源和新的方向。

聯(lián)系作者

文章來源：機(jī)器之心
作者微信：
作者簡介：專業(yè)的人工智能媒體和產(chǎn)業(yè)服務(wù)平臺