Gengyuan Zhang

Un estudio sobre la capacidad de los VLMs para identificar tiempo y lugar a partir de imágenes.

Un nuevo modelo mejora la precisión de recuperación de videos con múltiples eventos.

Este artículo habla de un nuevo estándar para combinar imágenes y texto para encontrar eventos en videos.

Este artículo habla sobre problemas de seguridad en los modelos de texto a imagen y propone soluciones.