arXiv Computer Vision· Jiapeng Shi, Qiuxia Hou, Jiaqi Leng, Junke Wang, Yanhao Zhang, Haonan Lu, Ziyi Ye, Zuxuan Wu·· 2 小时前AI 评分24
EVA-Cap：通过事件中心对齐优化音视频视频描述
EVA-Cap: Optimizing Audiovisual Video Captioning via Event-Centric Alignment
AI 导读
EVA-Cap 将音视频视频描述拆解为原子级音视频事件，把非结构化文本监督转为事件中心对齐，并在自建数据集 EVA-Data 上通过 SFT 与 GRPO 训练，GRPO 阶段针对全局事件完整性、事件内归因和事件间同步三个目标优化。实验显示其在 ChronusAV 事件中心评测上平均提升 9.0%，在 WorldSense 上提升 3.3%。该工作已被 NeurIPS 2026 接收，代码将开源。
来源：arXiv Computer Vision · arxiv.org