Tag · 2 篇
掩码预测
分布 视频理解与时序1视觉语言模型1
01 02
面向电影预告片生成的自步自纠正掩码预测
Self-Paced and Self-Corrective Masked Prediction for Movie Trailer Generation
把「掩码预测 + 自步掩码比例 + 逐步高置信填充再重掩码」的自纠正解码思路引入视频镜头序列生成，可迁移到视频摘要、镜头排序、故事线重组等时序编辑任务，替代易误差传播的「先选后排序」两阶段范式。
更好、更强、更快：以同步文本全掩码预测破解基于多模态大模型的分割三难困境
Better, Stronger, Faster: Tackling the Trilemma in MLLM-based Segmentation with Simultaneous Textual Mask Prediction
把分割掩码当作图像 patch 上的并行填空任务，在 MLLM 单次前向中一次性输出整张掩码，从而在不破坏对话能力的前提下兼顾分割质量与推理速度；做指代分割或多任务 VLM 的工作可直接复用这一解耦式输出头设计。