TKCAM: Текст и ключ к поколению камеры
arXiv:2610.11105v1 Аннонс Тип: новое резюме: создание высококачественного и контролируемого движения видеокамеры имеет важное значение для съёмочной съемки при помощи АИ, синтеза видеоматериалов и понимания 3D места. Мы введем в действие систему CTCAM, разработанную на основе системы синтеза CAmera-мобильности с использованием текстовых и ключей, основанных на моделировании с помощью эффективных масок. Мы представляем динамику видеокамеры с использованием 12-мерной кинематической функции, включающей положение, скорость и непрерывное представление вращения, а также дискретизируем их в иерархические символы движения через остаточный Vector Quantizer (RVQ). Затем двухступенчатая архитектура трансформаторов учится реконструировать и усовершенствовать эти символы, используя для мультимодального кондиционирования четкие модули само- и перекрестного внимания. Одна из главных особенностей нашей системы заключается в том, что система зрительных ключей мало кондиционирования: пользователи могут предоставлять бесплатный текст вместе с наблюдениями RGB на выбранных временных остановках, которые обеспечивают пространственно локализованную визуальную ориентацию для создания согласованных между траекториями. F