arXiv Computer Vision· Fengshun Wang, Zhengbo Zhang, Zhigang Tu·· 6 小时前AI 评分22
掩码扩散视觉语言模型 MDVLM-TAL 用于时序动作定位
Masked Diffusion Vision-Language Models for Temporal Action Localization
AI 导读
研究者将掩码扩散视觉语言模型（MDVLM）适配到时序动作定位任务，提出 MDVLM-TAL，让语义 token 与边界 token 在双向注意力迭代去噪中保持可编辑，从而联合优化时间边界与语义内容。
来源：arXiv Computer Vision · arxiv.org