零样本视频语义分割

我是一张地图！可解释的运动注意力图：在视频扩散 Transformer 中时空定位概念

I'm a Map! Interpretable Motion-Attentive Maps: Spatio-Temporally Localizing Concepts in Video Diffusion Transformers

提出无需梯度计算或参数更新的 GramCol 方法，为视频扩散 Transformer 生成逐帧概念显著性图，可复用于模型内部表示分析与零样本视频语义分割。