跨模態(tài)因果對齊，讓機(jī)器更懂視覺證據(jù)！

來自中山大學(xué)、新加坡南洋理工大學(xué)等團(tuán)隊提出跨模態(tài)因果對齊框架（CRA），通過因果干預(yù)和跨模態(tài)對齊，顯著提升時空定位的準(zhǔn)確性與可解釋性。

相關(guān)論文已被CVPR 2025接收，代碼已開源。

事情是這樣的——

近年來隨著多模態(tài)大模型的發(fā)展，視頻問答（VideoQA）任務(wù)——要求模型根據(jù)視頻內(nèi)容回答自然語言問題——性能顯著提升。

然而，現(xiàn)有模型往往依賴訓(xùn)練數(shù)據(jù)中的統(tǒng)計偏差（如語言關(guān)鍵詞與答案的虛假關(guān)聯(lián)），而非真正的因果視覺證據(jù)，導(dǎo)致回答缺乏可解釋性。

舉個栗子～

例如下圖中，當(dāng)視頻中出現(xiàn)“嬰兒”和“女性”時，模型可能僅因二者高頻共現(xiàn)而給出答案，卻忽略真實因果事件（如“女性抱起嬰兒”）。

也就是說，雖然結(jié)果答對了，但過程中模型采納的是錯誤的視覺依據(jù)。

針對類似情況，為提供可靠的視覺證據(jù)支持，視頻問答定位（VideoQG）任務(wù)應(yīng)運而生，要求模型同時輸出答案及其對應(yīng)視頻片段的時間區(qū)間。

但現(xiàn)有方法面臨兩大挑戰(zhàn)：

• 多模態(tài)偏差：視頻與語言中的混淆因素（如高頻關(guān)鍵詞、短時視覺特征）導(dǎo)致模型學(xué)習(xí)虛假關(guān)聯(lián)；
• 弱監(jiān)督限制：標(biāo)注視頻片段成本高昂，現(xiàn)有模型依賴視頻問答（VideoQA）的弱監(jiān)督信號，難以精準(zhǔn)定位。

以上就是CRA框架誕生的背景。

此外，中山大學(xué)HCP-Lab團(tuán)隊已將關(guān)鍵的因果模塊集成到開源因果框架CausalVLR中。

該框架是一個基于PyTorch的python開源工具包，用于因果關(guān)系發(fā)現(xiàn)，因果推理，為各種視覺語言推理任務(wù)實現(xiàn)最先進(jìn)的因果學(xué)習(xí)算法。

三模塊驅(qū)動因果推理

現(xiàn)有方法常因依賴于訓(xùn)練數(shù)據(jù)中的統(tǒng)計偏差，導(dǎo)致模型無法準(zhǔn)確識別與問題相關(guān)的因果視覺場景，進(jìn)而產(chǎn)生不準(zhǔn)確的時空定位結(jié)果。

為克服這一問題，CRA框架通過三個核心模塊實現(xiàn)了從噪聲抑制、特征對齊到因果關(guān)系建模的全流程優(yōu)化。

該框架在NextGQA和STAR數(shù)據(jù)集上的實驗結(jié)果表明，CRA能夠顯著提升模型的時空定位能力和因果推理的準(zhǔn)確性，為視頻問答定位任務(wù)提供了更可靠的技術(shù)解決方案。

三個核心模塊具體展開如下：

GSG：抑制噪聲，聚焦關(guān)鍵幀

第一個，高斯平滑定位模塊（GSG）。

GSG模塊通過自適應(yīng)高斯濾波去噪，精準(zhǔn)估計視頻片段的時間間隔。

它的核心功能，是基于跨模態(tài)注意力估計時間區(qū)間，通過自適應(yīng)高斯濾波去噪，生成魯棒的視頻片段特征。

技術(shù)亮點主要有仨：

1、跨模態(tài)注意力計算：利用CLIP視頻特征與RoBERTa語言特征的交互，生成初始時間注意力權(quán)重；
2、自適應(yīng)高斯濾波：引入可學(xué)習(xí)參數(shù)的高斯核，抑制時序上的不穩(wěn)定噪聲（如無關(guān)背景幀），突出關(guān)鍵事件區(qū)域（下圖）；

3、動態(tài)閾值分割：根據(jù)平滑后的注意力分布，動態(tài)截取高響應(yīng)區(qū)間，提升定位精度。

消融實驗顯示，移除高斯濾波（GSG w/o GS）會導(dǎo)致IoU@0.5下降2.2%（下表），證明其對噪聲抑制的關(guān)鍵作用。

△GSG消融實驗，其中SGG w/o GS?表示GSG在訓(xùn)練過程中具有高斯平滑，但在推理過程中沒有高斯平滑

CMA：弱監(jiān)督下的雙向?qū)R

第二個，交叉模態(tài)對齊模塊（CMA）。

CMA模塊利用雙向?qū)Ρ葘W(xué)習(xí)，增強(qiáng)視頻與問答特征的對齊效果。

它的核心功能，是通過雙向?qū)Ρ葘W(xué)習(xí)，對齊視頻片段特征與問答特征，增強(qiáng)跨模態(tài)一致性。

技術(shù)亮點有二：

• 雙向InfoNCE損失：從同一批次中采樣正/負(fù)樣本，分別對齊視覺→語言和語言→視覺特征（公式1-2）；
• 動態(tài)難樣本挖掘：優(yōu)先選擇語義差異大的負(fù)樣本，迫使模型關(guān)注細(xì)粒度因果關(guān)聯(lián)。

移除CMA模塊后，Acc@GQA下降2%，IoP@0.5下降2.2%（下表），凸顯其對弱監(jiān)督訓(xùn)練的重要性。

ECI：切斷虛假因果鏈

第三個，顯式因果干預(yù)模塊（ECI）。

ECI模塊則通過前門和后門干預(yù)，消除多模態(tài)偏差，提升因果一致性。

它的核心功能，是針對視覺和語言模態(tài)分別設(shè)計前門干預(yù)與后門干預(yù)，消除多模態(tài)混淆因素。

技術(shù)亮點有二：

• 語言后門干預(yù)：解析問答語義結(jié)構(gòu)圖（如主謂賓關(guān)系），阻斷關(guān)鍵詞與答案的虛假路徑；
• 視覺前門干預(yù)：以視頻片段為中介變量，通過特征聚類模擬混雜因子分布，重構(gòu)因果鏈（公式3-4）。

實驗結(jié)果顯示，在NextGQA數(shù)據(jù)集上，去除了Causal模塊后相對于CRA在Acc@GQA造成了1.2%的性能損失。

實驗結(jié)果：多維度性能領(lǐng)先

在NextGQA數(shù)據(jù)集中，CRA以18.2%超越Temp[CLIP]（NG+）2.2%，且在使用FrozenBiLM大模型時仍保持優(yōu)勢。

此外，IoP@0.5達(dá)28.5%，顯著優(yōu)于基于LLM偽標(biāo)注的TimeCraft（27.8%），證明其無需額外數(shù)據(jù)的高效性。

在STAR數(shù)據(jù)集中，CRA分別以26.8%與27.5%的Acc@GQA分?jǐn)?shù)在Temp[CLIP]和FrozenBiLM的Backbone下領(lǐng)先NG+。

而通過統(tǒng)計弱監(jiān)督視頻定位的分布情況，研究團(tuán)隊可以觀察到NG+局限于小區(qū)間的估計，而CRA所估計的區(qū)間與真實分布情況更符合。

綜上，CRA框架通過跨模態(tài)因果對齊，首次在弱監(jiān)督條件下實現(xiàn)了視頻問答定位的高精度與可解釋性。

目前，CRA框架代碼已開源。

研究團(tuán)隊表示，CRA為視頻理解提供了新的因果推理范式，或?qū)⑼苿幼詣玉{駛、智能監(jiān)控等領(lǐng)域的可信AI應(yīng)用。

論文地址：https://arxiv.org/abs/2503.07635
CRA-GQA倉庫：https://github.com/WissingChen/CRA-GQA
因果框架倉庫：https://github.com/HCPLab-SYSU/CausalVLR