研究人员推出了EgoOmniWorld,一个旨在通过关注自我-动作-世界交互来统一自我中心视频理解的新基准。该基准将数据组织成四种结构:节点、边、链和循环,以捕捉交互的各个方面。对多模态大型语言模型的实验揭示了这些结构存在的显著局限性,尽管在EgoOmniWorld上进行训练可以改善领域内理解和对现有自我中心基准的泛化能力。 AI
影响 该基准旨在通过提供一个统一的框架来评估和改进AI模型,从而推动自我中心视频理解的发展。
排序理由 该集群描述了一篇介绍用于自我中心视频理解的新型基准的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →