Tag · 2 篇
跨模态表征
分布 3D 视觉与重建1图像编辑与可控生成1
01 02
VLM-Loc：基于视觉语言模型的点云地图定位
VLM-Loc: Localization in Point Cloud Maps via Vision-Language Models
将点云转为BEV图像和场景图，利用VLM的跨模态推理能力实现文本到点云的定位，为3D场景理解提供可解释的空间推理新范式。
面向说话人脸视频情感编辑的跨模态情感迁移
Cross-Modal Emotion Transfer for Emotion Editing in Talking Face Video
用大规模预训练音频编码器与解耦表情编码器在跨模态空间中学习情感语义向量，把「情感」从语音内容中剥离出来，为语音驱动的可控人脸动画提供了一种可迁移的条件控制手段，尤其适合处理未见过的扩展情感类别。