VLA / 视觉-语言-动作模型

2603.14794 2026-04-01 cs.CV cs.LG 76%

Face-to-Face: A Video Dataset for Multi-Person Interaction Modeling

面对面：一个多人物交互建模的视频数据集

Ernie Chu, Vishal M. Patel

机构 * Johns Hopkins University（约翰霍普金斯大学）

专题命中数据集与评测：action model(title)；分类 cs.CV、cs.LG

AI总结本文提出F2F-JF数据集，用于研究多人物交互建模，通过半自动流程提取对齐的主持人和嘉宾轨迹，并展示基于该数据集的反应式数字虚拟形象任务，验证了扩散模型在跨人物视觉上下文中的表现。