Sa2VA – 字节跳动等机构开源的多模态大语言模型-爱论文

Sa2VA是什么

Sa2VA是字节跳动联合加州大学默塞德分校、武汉大学和北京大学共同推出的多模态大语言模型，是SAM2和LLaVA结合而成，能实现对图像和视频的密集、细粒度理解。Sa2VA基于统一的任务表示，将图像或视频指代分割、视觉对话、视觉提示理解等任务整合到一个框架中，用LLM生成的空间-时间提示指导SAM2生成精确分割掩码。Sa2VA采用解耦设计，保留SAM2的感知能力和LLaVA的语言理解能力，引入Ref-SAV数据集，用在提升复杂视频场景下的指代分割性能。

Sa2VA的主要功能

图像和视频指代分割：根据自然语言描述精确分割图像或视频中的目标对象。图像和视频对话：支持与用户进行基于图像或视频的对话，回答与视觉内容相关的问题。视觉提示理解：支持处理视觉提示（如图像中的框、点等），并结合语言描述生成对应的分割掩码或回答。基于指令的视频编辑：根据用户指令对视频内容进行编辑，密集的视觉理解：Sa2VA能理解图像和视频的整体内容，还能对像素级的视觉细节进行分析和操作，支持复杂场景下的细粒度任务，如长文本描述的视频对象分割。零样本推理：支持在未见过的视频上进行推理，根据语言描述直接生成分割掩码或回答问题，无需额外训练。

Sa2VA的技术原理

模型架构：结合SAM2和 LLaVA。SAM2负责视频的时空分割，LLaVA提供语言理解和生成能力。两者基于特殊的 [SEG] 令牌连接，LLaVA的输出作为SAM2的输入，指导其生成分割掩码。统一任务表示：将多种任务（如指代分割、视觉对话、视觉提示理解等）统一为单次指令调整过程。所有输入（图像、视频、文本）被编码为视觉令牌，输入到LLM中，输出文本或分割掩码。解耦设计：基于解耦设计，冻结SAM2的解码器和记忆模块，保留其感知和跟踪能力。Ref-SAV数据集：引入Ref-SAV数据集，包含超过72k个复杂视频场景中的对象表达。数据集基于自动标注管道生成，包含长文本描述和复杂场景，提升模型在复杂环境下的性能。时空提示：基于LLaVA生成的 [SEG] 令牌作为SAM2的时空提示，指导生成精确的分割掩码。联合训练：在多个数据集上进行联合训练，包括图像QA、视频QA、图像分割和视频分割数据。

Sa2VA的项目地址

项目官网：https://lxtgh.github.io/project/sa2va/GitHub仓库：https://github.com/magic-research/Sa2VAHuggingFace模型库：https://huggingface.co/ByteDance/Sa2VAarXiv技术论文：https://arxiv.org/pdf/2501.04001

Sa2VA的应用场景

视频编辑：根据语言指令快速移除或替换视频中的对象，提升创作效率。智能监控：基于语言描述实时识别和跟踪监控画面中的目标，助力安防监控。机器人交互：理解指令并操作，如“拿起红色杯子”，增强机器人与环境的互动。内容创作：为图像或视频生成描述和问答，辅助教育或创意写作。自动驾驶：识别和分割道路场景中的行人、车辆等，辅助驾驶决策。