PulseAugur
中
实时 13:09:37
English(EN) EMMA: Extracting Multiple physical parameters from Multimodal Data

EMMA框架从多模态数据中提取物理参数

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了EMMA，一个新颖的、受物理学启发的框架，能够从包括视频、音频和基于图表的时间序列观测在内的多模态数据中提取多个物理参数。该方法通过在连续时间模型中联合推断显式参数、潜在动力学和校准不变性，克服了先前仅限视频方法的局限性。EMMA利用Liquid Time-Constant网络和受物理学约束的损失函数，以确保与控制微分方程的一致性，在各种场景中展示了强大的多参数恢复能力，并优于现有基线。 AI

影响 引入了一种从多模态数据中提取物理一致模型的新方法，有望改进科学建模和模拟。

排序理由 该集群包含一篇详细介绍新框架和方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.CV TIER_1 English(EN) · Farhat Shaikh, Ayan Banerjee, Sandeep Gupta ·

    EMMA：从多模态数据中提取多个物理参数

    arXiv:2605.24047v1 Announce Type: new Abstract: We introduce EMMA, a physics-informed multimodal framework that recovers all identifiable dynamical parameters of a system directly from raw video, audio, and image-based time-series observations. Unlike prior video-only approaches …

相关实体

相关话题