Tag · 2 篇
跨模态提示
分布 视觉语言模型1生成模型与扩散1
01 02
MTA：面向鸟瞰图感知与描述的多模态任务对齐
MTA: Multimodal Task Alignment for BEV Perception and Captioning
把 BEV 场景表征与真值语言表征做上下文对齐、并把检测输出与描述输出做跨模态提示对齐，是一种可在训练期插入、推理期零开销的多模态对齐插件，可直接迁移到其他 BEV 感知+语言生成联合框架中。
面向物理合理视频生成的以事件为中心的因果思维链
Chain of Event-Centric Causal Thought for Physically Plausible Video Generation
把物理现象拆成因果相连的事件单元，再用思维链加物理公式约束推理，并转成时序对齐的视觉-语言提示与关键帧，为视频扩散模型提供可复用的因果进展条件注入方式，可直接迁移到需要长时序物理一致性的视频生成任务。