视频中定位一切：重新思考高效生成式时空视频定位
Locate Anything in Videos: Rethinking Efficient Generative Spatio-Temporal Video Grounding
阅读原文
本站未展示全文，请前往来源网站阅读。
AI 导读
研究提出 Parallel Tube Decoding（PTD），将时空视频定位分解为一个时间块加多个时间条件空间块并行解码，把顺序解码深度固定为 1+1 轮，与 tube 长度无关。
来源：Hugging Face Daily Papers · arxiv.org