Tag · 3 篇
运动表征
分布 视觉语言模型1强化学习与具身智能1图像编辑与可控生成1
01 02 03
ReMoRa：基于精细化运动表征的多模态大语言模型用于长视频理解
ReMoRa: Multimodal Large Language Model based on Refined Motion Representation for Long-Video Understanding
用块级运动矢量作为光流式的紧凑时序代理，替代逐帧 RGB 输入，并配去噪模块提升运动表征保真度；对做长视频理解的人，这是一条把解码与序列长度成本从 RGB 帧转移到压缩域的可复用路径。
HiF-VLA：通过运动表征为视觉-语言-动作模型引入回溯、洞察与前瞻
HiF-VLA: Hindsight, Insight and Foresight through Motion Representation for Vision-Language-Action Models
把帧间运动（而非原始像素）作为紧凑的时序上下文表征，并以此构建以运动为中心的世界模型，为 VLA 提供回溯先验与前瞻推理；这一「运动即上下文」的思路可直接迁移到任何需要长程时序一致性的视觉-动作策略中，且额外推理延迟可忽略。
DeX-Portrait：基于显式与隐式运动表征的解耦且富有表现力的肖像动画
DeX-Portrait: Disentangled and Expressive Portrait Animation via Explicit and Latent Motion Representations
把头部姿态建模为显式全局变换、表情建模为隐式潜变量，并通过双分支条件注入扩散模型，为需要解耦控制的人像/视频生成提供了一套可复用的条件注入与引导方案。