本研究提出了一种大型合成数据集和动态视觉标记压缩架构，旨在解决视频分析中的数据集不足和处理效率低的问题。该方法在多个视频任务上取得了先进的结果，并为多图像理解建立了新基准。

Dynamic Visual Language Model: Simple Dynamic Visual Token Compression for Video Large Language Models
BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 ·
👤 个人中心
在公众号发送验证码完成验证