arXiv cs.AI / cs.LG 最新· Shilong Li·· 15 小时前AI 评分41
VideoLVR：基于视频证据的潜在视觉推理
VideoLVR: Latent Visual Reasoning over Grounded Video Evidence
AI 导读
VideoLVR 提出从视频相关时刻的局部区域构建潜在视觉证据，为多模态大模型的中间推理步骤提供视觉支撑，缓解语言推理中的视觉遗忘。它把视觉 token 重建转化为对输入视频词表的预测，与文本生成统一在同一 token 预测框架。在多个视频基准上，VideoLVR 在不显著扩张多模态上下文的前提下提升视频理解，尤其擅长细粒度视觉证据任务。
标题与摘要由 AI 辅助生成，事实与观点以原文为准。
来源：arXiv cs.AI / cs.LG 最新 · arxiv.org
本站标题、摘要与推荐理由由 AI 辅助生成；原文版权归来源所有。