Tag · 1 篇
ViHOI: Human-Object Interaction Synthesis with Visual Priors
把大视觉语言模型的多层特征经 Q-Former 适配器压缩成先验 token，作为扩散生成 3D 人体-物体交互运动的条件；视觉研究者可复用这套「VLM 特征→紧凑先验→条件生成」的跨模态条件注入范式，并用文生图合成参考图提升对未见物体的泛化。