视频大模型

VTok: A Unified Video Tokenizer with Decoupled Spatial-Temporal Latents

VTok: 一种具有解耦空间-时间潜在变量的统一视频分词器

Feng Wang, Yichun Shi, Ceyuan Yang, Qiushan Guo, Jingxiang Sun, Alan Yuille, Peng Wang

机构 * Johns Hopkins University（约翰斯·霍普金斯大学） 纠错

专题命中 视频理解 ：video generation(abstract)；video understanding(abstract)；text-to-video(abstract)；分类 cs.CV

AI总结 VTok通过解耦空间和时间潜在变量，实现紧凑且高效的视频分词，提升视频理解和生成任务的性能与效率。