随着视觉问答技术的不断发展，大多数模型只涉及2D推理，忽略了3D视觉场景的复杂性。这项研究提出了3D感知的视觉问答技术。通过对3D场景的理解和分析，模型可以更精准地回答问题，具有更高的准确率和可解释性。该技术...

近几个月来，视觉问答技术得到了广泛的应用和快速发展。这主要得益于像Blip和clip这样的预训练模型的出现。然而，将这些模型应用于视频问答仍然存在巨大的计算需求挑战。为了解决这个问题，研究人员引入了一系列不同...