arXiv cs.CV· Eunji Shin, Dahyun Choi, Seungyeon Jo, Yejin Hong, Jiyoung Lee·· 4 小时前AI 评分22
TiTok：面向多片段时序定位的音视频 LLM
TiTok: Audio-Visual LLM for Multi-Segment Temporal Grounding
AI 导读
针对未剪辑视频的音视频多片段定位（AV-MSG），研究者提出音视频大语言模型 TiTok，可为每个查询定位任意数量的时序事件片段。TiTok 引入 Time Token Interleaving（TTI）对齐输入侧时序感知与输出侧时序预测，并用 GDPO 优化全局、局部、数量、精度、格式五类解耦奖励。
来源：arXiv cs.CV · arxiv.org