arXiv · 机器人与计算机视觉· Mingyang Wu, Kaituo Feng, Bohao Li, Kaixiong Gong, Zihao Yin, Xiangyu Yue·· 2026-10-20AI 评分42
AVTime-50K 数据集与模型发布:通过双向时序语义对齐提升密集音视频标注质量
AVTime: Reinforcing Dense Audio-Visual Captions with Bidirectional Alignment
AI 导读
AVTime-50K 是一个包含长视频的高分辨率数据集,其配套模型采用新型双向时序 - 语义对齐(BiTSA)奖励机制优化。研究还推出了 AVTime-Bench 基准,专门用于双向评估事件语义正确性与时间准确性。代码、模型及数据已在官方链接开源,旨在解决现有方法依赖清单式强化学习且缺乏统一评测的局限。
来源:arXiv · 机器人与计算机视觉 · arxiv.org