arXiv Computer Vision· Boxue Yang, Chaoyue Li, Shengyao Zhou, Rui Qian, Haoyang Wu, Shaoqiu Zhang, Linfeng Zhang·· 4 小时前AI 评分22
4DVLT：以世界线为中心的视觉语言跟踪实现动态场景理解
4DVLT: Dynamic Scene Understanding with Worldline-Centered Vision-Language Tracking
AI 导读
研究者提出 4DVLT，一个离线标定的多视角任务，通过世界线绑定身份、运动、可见性与观测，统一度量 3D 与同步 2D 跟踪中的 grounding。配套数据集 Instruct-4D 含 129.4K QA 对、64.7K 目标、851 个场景和 9 种推理类型，方法 4DTrack 在 4D 状态图上做查询条件推理，达到 55.18 WQS，超过最强适配 VLT 基线 33.01 分。
来源：arXiv Computer Vision · arxiv.org