arXiv · Computer Vision· Eunji Shin, Dahyun Choi, Seungyeon Jo, Yejin Hong, Jiyoung Lee·· 4 小时前AI 评分30
TiTok：面向多片段时序定位的音视频大语言模型
TiTok: Audio-Visual LLM for Multi-Segment Temporal Grounding
AI 导读
研究者提出音视频大语言模型 TiTok，针对未剪辑视频中的音视频多片段时序定位（AV-MSG）问题，可为单个查询定位任意数量的时间片段。
来源：arXiv · Computer Vision · arxiv.org