美团技术团队
·
ICCV 2025 | 美团论文精选及多模态推理竞赛冠军方法分享
💡
原文中文，约5000字，阅读约需12分钟。
📝
内容提要
计算机视觉国际大会（ICCV）是顶级会议之一，专注于视频理解和多模态推理，涵盖时间表示、实时对话生成和视觉大语言模型等研究，推动了计算机视觉领域的发展。
🎯
关键要点
- 计算机视觉国际大会（ICCV）是顶级会议之一，专注于视频理解和多模态推理。
- ICCV每两年举办一次，被公认为计算机视觉领域的最高级别会议。
- DisTime是一种增强视频大型语言模型时间理解能力的框架，解决了时间定位的挑战。
- ARIG提出了一种基于自回归的逐帧生成框架，实现了实时对话生成的高交互真实感。
- MVP-LM是一个多粒度、多功能的感知框架，整合了视觉大语言模型的多种感知任务。
- TokenFD是图文领域的细粒度大一统基座，支持Token级的图文交互。
- InstructSeg是基于多模态大型语言模型的端到端分割模型，提升了图像和视频的理解能力。
- ICCV 2025将探讨多模态大模型在复杂任务中的推理能力，设立了多个挑战赛。
- 美团团队在ICCV 2025的多模态推理挑战赛中获得了多个奖项，包括真实场景视觉定位的冠军。
- VG-SMART框架结合信噪比驱动数据合成和多阶段训练，提升了视觉定位的表现。
- STAGES框架通过多阶段数据合成与训练，显著提升了空间感知视觉问答的模型表现。
- T-STAR方法优化了创意广告视频的推理策略，提升了模型在复杂任务中的表现。
❓
延伸问答
ICCV会议的主要关注点是什么？
ICCV会议主要关注视频理解和多模态推理。
DisTime框架的主要功能是什么？
DisTime框架旨在增强视频大型语言模型的时间理解能力，解决时间定位的挑战。
美团团队在ICCV 2025中获得了哪些奖项？
美团团队在ICCV 2025中获得了真实场景视觉定位的冠军、空间感知视觉问答的季军和创意广告视频视觉推理的季军。
MVP-LM框架的创新之处在哪里？
MVP-LM框架融合了多粒度、多功能的感知任务，支持基于词语和基于句子的感知任务整合。
ICCV 2025的多模态推理竞赛设立了哪些挑战？
ICCV 2025的多模态推理竞赛设立了真实场景视觉定位、空间感知视觉问答和创意广告视频视觉推理三个挑战。
ARIG框架如何提升实时对话生成的真实感？
ARIG框架通过基于自回归的逐帧生成和上下文理解，提升了实时对话生成的交互真实感。
➡️
