AI 大模型

多模态大模型

跨文本、图像、视频、音频等模态的大模型与学习方法。

2026-02-05 至 2026-02-05 共收录 2 篇信号源：cs.CV, cs.CL, cs.AI, cs.MM, eess.AS

1. 视频多模态 2 篇

2505.13928 2026-02-05 cs.CV cs.IR 79%

LoVR: A Benchmark for Long Video Retrieval in Multimodal Contexts

LoVR：一种多模态背景下长视频检索的基准

Qifeng Cai, Hao Liang, Zhaoyang Han, Hejun Dong, Meiyi Qiang, Ruichuan An, Quanqing Xu, Bin Cui, Wentao Zhang

机构 * East China Normal University Shanghai China ； Peking University \& Zhongguancun Academy Beijing China ； Huazhong University of Science ； Beihang University Beijing China ； Peking University Beijing China ； East China Normal University ； Peking University \& Zhongguancun Academy ； Beihang University ； Peking University

专题命中视频多模态：multimodal(title,abstract)；分类 cs.CV

AI总结 LoVR是一个针对长视频检索的多模态基准，通过高质量标注和细粒度数据提升视频理解挑战。

2602.04257 2026-02-05 cs.CV 57%

Depth-Guided Metric-Aware Temporal Consistency for Monocular Video Human Mesh Recovery

基于深度的度量感知时序一致性用于单目视频人体网格恢复

Jiaxin Cen, Xudong Mao, Guanghui Yue, Wei Zhou, Ruomei Wang, Fan Zhou, Baoquan Zhao

机构 * Sun Yat-sen University, China（中山大学）； Shenzhen University, China（深圳大学）； Cardiff University, UK（卡迪夫大学）

专题命中视频多模态：cross-modal(abstract)；分类 cs.CV

AI总结本文提出深度引导的度量感知时序一致性框架，通过多尺度融合、D-MAPS估计器和MoDAR模块提升单目视频人体网格恢复的鲁棒性和准确性。