视频表征

无像素感知：从相机轨迹中获取感知

Seeing without Pixels: Perception from Camera Trajectories

把相机位姿轨迹当作一种轻量模态，用对比学习对齐到语言嵌入空间，为视频理解提供了一条不依赖像素的表征路径；做视频-文本检索或第一人称动作理解时，可考虑把轨迹编码器作为额外或替代的视觉分支。