【AiBase提要:】“I”:视频输入。GPT-4V对视频的理解还相当原始，因为它将视频视为一系列离散图像。减少信息冗余的最聪明方法是什么?学习目标应该是什么?下一帧预测与下一个单词预测有着明显的类比关系，但它是否是最佳的?如何与语言交错?如何引导机器人和人工智能的视频学习?业界尚未达成共识。
但仅仅七年后，很多事情都发生了变化。
研究团队提出了一种考虑遮挡的场景参数化方法，将整个场景分解为遮挡、人物和背景三个部分。此外，我们设计了广泛的客观函数，以帮助强化人物与遮挡、背景的分离，并确保对人物模型的完整性。我们通过在野外视频上进行实验证明了我们方法的有效性。
- 在日志语句、错误消息或代码注释中填充空白时，它很聪明。