Meta提出V-JEPA 2自监督视频模型，通过100万小时互联网视频预训练实现世界理解与预测。该模型在动作分类（Something-Something v2达77.3%准确率）和动作预测（Epic-Kitchens-100召回率@5达39.7%）任务中表现优异。结合语言模型后，在视频问答任务中达到SOTA（如PerceptionTest 84.0分）。更重要的是，仅用62小时机器人数据微调后，V

弱监督时序动作定位（WTAL）旨在仅借助类别标签完成动作实例的检测与分类。现有绝大多数方法均广泛采用现成的基于分类的预训练（CBP）方式生成视频特征，以实现动作定位。然而，分类与定位任务的优化目标存在差异，这使得时序定位结果面临严重的不完整问题。为在不增加额外标注成本的前提下解决该问题，本文提出从视觉-语言预训练（VLP）中挖掘免费的动作知识——研究中我们意外发现，原始VLP的定位结果存在过完整问

从CLIP这样的大规模对比性语言图像预训练中学习，最近在广泛的下游任务中取得了显著的成功，但在具有挑战性的少样本动作识别（FSAR）任务中，它仍然有待探索。在这项工作中，我们的目标是将CLIP强大的多模态知识迁移，以缓解由于数据稀缺导致的不准确的原型估计问题，这是低样本量情况下的一个关键问题。为此，我们提出了一个名为CLIP-FSAR的CLIP引导原型调制框架，该框架由两个关键组件组成：一个视频文

本文提出了一种结合多重退化模型、新型去雾网络和高斯感知对比损失的图像去雾新方法。针对真实场景中多因素干扰问题，首先构建了包含弱光、噪声等多种退化因素的雾天成像模型，缩小合成与真实数据的分布差异。创新设计了"定位-去除"流程的去雾网络，通过退化定位模块提取判别性特征，利用去除模块消除特征间虚假依赖关系。此外，提出高斯感知对比损失引导网络生成自然去雾效果。实验表明，该方法在多个真实

视频异常检测（VAD）旨在定位视频中的异常事件。现有的研究大多依赖于训练深度模型，以学习正常性分布，使用视频级监督、单类监督或无监督设置。基于训练的方法容易受到领域特定的限制，因此在实际部署中成本较高，因为任何领域变化都需要重新收集数据并重新训练模型。本文与以往的工作大为不同，提出了基于语言的视频异常检测方法（LAVAD），这是一种在新颖的无训练范式下处理视频异常检测的方法，利用了预训练的大型语言

创新点1：视频编码器包含两个transformer，第一个transformer是Cross-frame Communication Transformer（CCT），包含12个block，里面每个block有Cross-frame Fusion Attention（CFA）和 Intra-frame Diffusion Attention（IFA），CFA将各帧cls_token计算多头自注意力

摘要： MagicTailor提出了一种文本到图像扩散模型中的组件可控个性化新任务，支持用户对概念内的单个组件进行细粒度定制。针对语义污染（非期望元素干扰）和语义失衡（学习比例失调）两大挑战，该框架采用动态掩码退化（DM-Deg）自适应扰动无关语义，并通过双流平衡（DS-Bal）实现均衡学习。实验表明，MagicTailor能有效整合目标组件与概念，生成更具创造力的个性化图像。代码已开源，论文发表

视频异常检索（VAR）旨在通过文本描述、同步音频等跨模态查询，从长未修剪视频集合中检索相关的异常或正常视频。跨模态预训练（CMP）模型通过对大规模图像 - 文本等跨模态对进行预训练，能够学习不同模态间的丰富关联，这种跨模态关联能力使其在传统检索任务中具有优势。受此启发，如何利用CMP模型强大的跨模态关联能力，从长未修剪视频中搜索关键视觉组件成为重要研究问题。为此，本文提出一种基于CMP模型的VAR

本文提出了一种基于原型的伪标签方法，用于解决弱监督音视频视频解析（AVVP）问题。该问题旨在通过视频级别的事件标签，在视频中定位和分类可听、可见或两者兼具的事件。现有方法通常采用多实例学习（MIL）技术，但容易误分类。本文方法首先通过聚类训练数据中的关键片段，构建多个“原型”特征，然后基于这些原型与训练片段的特征相似性，为所有训练片段分配伪标签，并在弱监督和强监督下重新训练模型。通过使用伪标签进行

多模态情感识别（MMER）系统通常通过利用诸如视觉、文本、生理和听觉模态之间的跨模态和内模态关系，从而超越单模态系统的表现。本文提出了一种基于联合多模态变换器（Joint Multimodal Transformer，简称JMT）的MMER方法，该方法采用基于键的交叉注意力进行融合。此框架能够利用不同模态的互补特性，以提高预测准确性。独立的后端网络在视频序列中捕获每个模态内的时空依赖关系。随后，我