视觉模型PLLaVA：能够理解视频中的内容，包括动作、场景、人物穿着等，并能够生成详细描述这些内容的字幕
新技术

来自新加坡国立大学、纽约大学和字节跳动的研究人员推出用于视频密集字幕生成的先...
2024-04-29 268
没有账号？注册  忘记密码？