跳到正文
Hugging Face Daily Papers·· 2026-10-12AI 评分73

CameraVLM:一种能准确判断相机左右移动的视觉 - 语言模型

When Left Is Right? Camera-Motion Understanding beyond Screen

AI 导读

论文指出当前视觉 - 语言模型(VLM)在判断相机是向左还是向右移动时表现接近随机猜测。作者提出 CameraVLM,该模型通过引入运动状态表示并让语言模型直接解释离屏运动与在屏流动态态,而非单独训练姿态估计器。实验显示,仅用 90 亿参数,CameraVLM 在三个基准测试和二十多个基线中均大幅领先开源及专用相机运动模型,并在包含 48 名参与者的研究中表现媲美人类观察者。

来源:Hugging Face Daily Papers · arxiv.org