MoVISA：面向视频目标分割的多 Token 推理

英文标题：MoVISA: Multi-Token Reasoning for Video Object Segmentation

该论文提出 MoVISA，聚焦利用多 Token 推理提升视频目标分割能力。摘要指出，近期基于多模态大语言模型（MLLM）推理的视频目标分割方法，已证明使用单个文本 Token（如 `SEG`）预测图像和视频分割掩码的有效性。论文进一步关注单 Token 方案的局限，并探索多 Token 推理机制。该工作对需要结合语言理解与时序视觉分割能力的开发者和研究者具有参考价值。

2.1 KB 640 B 612 B 380 B 9.1 KB 32.7 KB 22.8 KB 24.2 KB 34.7 KB