arXiv · 机器人与计算机视觉· Mennatullah Siam·· 24 天前AI 评分73
PixFoundation 2.0:视频多模态大模型在视觉定位中是否利用运动?
PixFoundation 2.0: Do Video Multi-Modal LLMs Use Motion in Visual Grounding?
AI 导读
论文 PixFoundation 2.0 指出当前视频多模态大模型的像素级视觉定位能力研究不足,且现有基准常依赖静态线索而非真实运动信息。作者提出以运动为核心的探测方法与 MoCentric-Bench 评测集,用于评估模型对自然语言描述的运动模式进行物体分割及区分真假运动的能力。研究建立了强单图基线并探索了简单的运动中心适配方案,相关代码与数据已开源。
来源:arXiv · 机器人与计算机视觉 · arxiv.org