LIME：从第一视角视频学习意图感知相机运动

研究者提出 LIME，一种视觉-语言相机运动生成器，可根据当前 RGB 观测和自然语言意图预测下一观测的相对目标相机位姿。 该方法通过 hindsight labeling 从第一视角视频中挖掘多意图相机运动监督，将每个相对 SE(3) 目标位姿与可能的意图及观测增益描述配对，并结合自回归观测增益输出与连续 flow-matching 位姿头。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。