Tag · 2 篇
第一人称视频问答
01 02
面向第一人称视频个性化问答的自我指代 grounding
Ego-Grounding for Personalized Question-Answering in Egocentric Videos
为第一人称视觉语言模型提供了首个系统性的个性化问答基准 MyEgo，并揭示显式提供证据时模型短期提升、随时间衰减的现象，可直接用于设计带长程记忆与自我指代（ego-grounding）机制的第一人称视频问答模型与评测协议。
你看到我指向哪里了吗？基于手势的第一人称视频问答
Do You See What I Am Pointing At? Gesture-Based Egocentric Video Question Answering
将3D手部关键点编码为离散token并与视频帧交错输入MLLM，为第一人称视频中的指向意图理解提供了可复用的空间-时序上下文注入方式；同时发布的EgoPointVQA数据集可用于评测模型的手势定位与指代推理能力。