Компьютерные науки > Компютерное видение и распознавание шаблонов [представлено 27 октября 2026 года] Название: VideoLVR: Latente Visual Rissuing out Friended Videos vition View PDF HTML (экспериментальное) Резюме: Обдуманная аргументация в значительной степени способствовала пониманию видеомодели, используемой для мультимодальных больших языков (MLM). Однако языковые логические следы не обеспечивают надежного механизма для моделей, позволяющего пересматривать соответствующие визуальные доказательства, что приводит к забвению зрения и ограничивает их способность рассуждать над видеоконтентом. Существующие подходы обеспечивают визуальное наполнение в ходе рассуждений двумя основными способами: они либо содержат ссылки на доказательства с использованием текстовых координат, которые указывают символические места, а не сами визуальные элементы, или реинтегрируют посевные регионы или кадра в мультимодальный контекст, сохраняя визуальные детали за счет существенного расширения контекста. Для устранения этих ограничений мы введем VideoLVR, который создает скрытые визуальные данные из местных регионов в соответствующие видео-связи и тем самым обеспечивает визуальную поддержку для промежуточных логических шагов. Чтобы контролировать скрытый процесс получения визуальных доказательств, мы введем цель визуального прогноза, которая формулирует визуальный символ реконструкцию как предсказание по словарю, полученному из вводного видео, тем самым объединяя визуальные доказательства…
VideoLVR: Скрытая визуальная рассудительность над заземленной видеодоказательством
arXiv: 261 030.37613v 1 Annualte Type: New Brieflow: School-considents ( " Новое резюме: обоснование концепции цепочки мысли в значительной степени способствовало пониманию видеомодели, используемой для мультимодальных крупных языковых моделей (MLM). Однако языковые логические следы не обеспечивают надежного механизма для моделей, позволяющего пересматривать соответствующие визуальные доказательства, что приводит к забвению зрения и ограничивает их способность рассуждать над видеоконтентом. Существующие подходы обеспечивают визуальное наполнение в ходе рассуждений двумя основными способами: они либо содержат ссылки на доказательства с использованием текстовых координат, которые указывают символические места, а не сами визуальные элементы, или реинтегрируют посевные регионы или кадра в мультимодальный контекст, сохраняя визуальные детали за счет существенного расширения контекста. Для устранения этих ограничений мы введем VideoLVR, который создает скрытые визуальные данные из местных регионов в соответствующие видео-связи и тем самым обеспечивает визуальную поддержку для промежуточных логических шагов. Чтобы контролировать скрытый процесс получения визуальных доказательств, мы введем смотровую