跳到正文
arXiv · 机器人与计算机视觉· Bingxuan Li, Yiwen Song, Xueqing Wu, Yanzhou Pan, Yang Li, Kuang Su, Jingyun Liu, Sebastian Ko, Huan Zhang, Tong Zhang, Nanyun Peng, Tomas Pfister, Yale Song·· 2026-10-08AI 评分45

VIS-Ground:视频交互式叙事中的情境 grounding 模型

VIS-Ground: Video Interactive Storytelling with Contextual Grounding

AI 导读

VIS-Ground 提出结构化情境抽象与约束诱导机制,解决观众干预下视频生成对源内容与渲染状态的隐式依赖问题。该模型在三个骨干网络上均实现最高综合得分,较最强基线平均绝对提升 10.3 分。研究揭示了叙事与知识 grounding 的增益及依赖提取、渲染忠实度等现存挑战。

来源:arXiv · 机器人与计算机视觉 · arxiv.org