arXiv cs.CV· Hairong Yin, Huangying Zhan, Shin-Fang Chng, Yi Xu, Raymond A. Yeh·· 5 小时前AI 评分27
SpaTime：面向时空推理的流式视觉语言模型
SpaTime: Streaming Vision-Language Models for Spatio-temporal Reasoning
AI 导读
SpaTime 是一种流式视觉语言模型，在每一帧将因果几何 token 融合进语言模型，仅依赖已观测帧进行时空推理。它提出响应时间损失，把逐帧响应概率映射为可微的期望响应时间，并惩罚其与真实帧的距离。在流式基准 StreamVSTI-Bench 上，SpaTime 总体准确率达 49.2%，平均响应时间误差较最强流式基线降低 66%。
来源：arXiv cs.CV · arxiv.org