Tag · 2 篇
视觉-语言模型
01 02
从3D姿态到文本：基于生物力学的视觉-语言教练
From 3D Pose to Prose: Biomechanics-Grounded Vision-Language Coaching
将3D骨骼运动学与视觉外观通过交叉注意力融合，用于生成可解释的健身指导文本；其运动学约束建模和参数高效训练策略可迁移到其他需要细粒度动作理解的视觉-语言任务。
FlowComposer：面向组合零样本学习的可组合流
FlowComposer: Composable Flows for Compositional Zero-Shot Learning
把流匹配的速度场组合作为显式的嵌入空间融合算子，可替代 token 拼接/提示词调优来实现组合式概念构造，对做 VLM 下游组合推理与概念解耦的研究者是一个可直接插入基线的即插即用模块。