视觉语言相关 AI 资讯 · AI 热点

7月3日

12:00

12:00

官方账号arXiv cs.LG@Boyang Sun, Jiajie Li, Yung-Hsu Yang, Chenyangguang Zhang, Tim Engelbracht, Sunghwan Hong, Cesar Cadena, Marc Pollefeys, Hermann Blum

该论文提出了一个名为LIME的视觉语言相机运动生成器。它根据当前RGB图像和自然语言意图，预测下一视角的相对目标相机位姿（SE(3)）。为了训练模型，作者从第一人称视频中挖掘多意图相机运动监督信号，配对合理的意图和观察增益描述。LIME结合了自回归的观察增益输出和连续流匹配位姿头，能够联合预测下一视图该展示什么并代表多假设目标视图。实验表明，LIME可从被动的人类视频中学习主动选择相机位姿，用于下游机器人任务。

论文 LIME 视觉语言相机运动机器人视觉主动感知

推荐理由：这篇论文让你知道，给机器人一个语言指令，它就能自己学会怎么转动相机去看你想看的地方——全靠学人类第一人称视频，不用手动标数据。

6月26日

09:30

09:30

官方一手arXiv: OpenAI@Haoxiang Sun, Tao Wang, Li Yuan, Jian Zhao, Jiancheng Lv

这篇来自 arXiv 的论文系统梳理了多模态大语言模型（MLLM）中视觉-语言感知的演变，首次将其视为统一的跨模态能力。论文提出了五阶段分类法，涵盖从早期方法到 OpenAI O-series、DeepSeek R-series 等最新模型带来的感知中心范式转变。它总结了每个阶段的代表性方法，并指出了开放挑战与通向通用智能的研究方向。该综述为 MLLM 感知研究提供了结构化理解与可操作的路线图。

论文 O-series R-series OpenAI DeepSeek 多模态大模型综述视觉语言

推荐理由：想搞懂多模态模型怎么从分开看图文进化成统一感知？这篇综述用五阶段框架讲清了O-series和R-series带来的转变，比碎片化教程系统得多。