في عالم تركيب الفيديو، تسعى تقنيات تسميات الفيديو كثيف الأحداث لتوليد أوصاف زمنية دقيقة للأحداث المصورة، مما يعزز تجارب الفهم والإنتاج. ولقد باتت نماذج اللغة الكبيرة (Large Language Models) ذات التشفير الذاتي هي القاعدة الرائجة في هذا المجال، وذلك بفضل قدرتها الكبيرة على التوليد والنمذجة عبر الأنماط المختلفة.

لكن رغم هذه المستقبلات الواعدة، فإن عملية توليد التسميات بشكل متتالي، التي تعتمد على معالجة كل رمز على حدة، قد تعوق الكفاءة وتحد من إمكانية التوسع حين تزداد مدة الفيديو وكثافة الأحداث.

في دراستنا هذه، نقدم إطار عمل للتشفير الذاتي المتوازي، والذي لا يعزز فقط من كفاءة التوليد، بل يرفع أيضًا من أداء التوقيت الدقيق للتسميات. الفكرة الرئيسية تكمن في استغلال الاعتماد المحلي الضعيف بين الأحداث الموقتة لإعادة هيكلة الرسم البياني للاعتماد السببي، مما يمكّن من التوليد المتوازي دون فقدان المعلومات.

فنحن نقدم مكونين رئيسيين لتحقيق التشفير المتوازي بلا خسارة: 1) آلية تخطيط عالمية كامنة تتعلم تلقائيًا بنية الأحداث، وتنتج رموزًا مضغوطة ترمز للسببية بين الأحداث. 2) آلية تسلسل متوازٍ مفصولة عبر الأحداث، مما يوازن بين التركيز المحلي والوعي العالمي بين الأحداث.

تظهر التجارب على عدة معايير تفوق واضح لنموذجنا في الكفاءة والأداء ضمن عمليات فهم الأحداث المرئية والتسميات. انضموا إلينا لزيارة الموقع الرسمي للمشروع لمزيد من الاستكشافات: الرابط للمشروع.