Tag · 2 篇
注意力增强
分布 3D 视觉与重建1视觉语言模型1
01 02
VGGT-360：几何一致的零样本全景深度估计
VGGT-360: Geometry-Consistent Zero-Shot Panoramic Depth Estimation
把 VGGT 这类多视图三维重建基础模型当作零样本深度估计的几何引擎，通过全景重投影把逐视图推理统一成一致的三维理解；其中不确定性引导的自适应投影切片与注意力结构显著性增强，可直接迁移到其他需要弥合域差距（如鱼眼、全景、广角）的视觉任务。
通过跨模态注意力可区分性理解视频语言模型中的时序逻辑一致性
Understanding Temporal Logic Consistency in Video-Language Models through Cross-Modal Attention Discriminability
对做视频多模态理解的人，这篇给出了一个可复用的诊断与改进思路：用跨模态注意力头对不同时间戳视频 token 的区分度来定位时序推理失效，并通过注意力锐化目标直接提升时序分辨率，可作为分析 Video-LLM 时序能力的探针与训练正则。