1
条回答
写回答
写回答
-
图像和视频的统一表征可以通过采用因果卷积或因果注意力机制来实现。例如，MAGVIT-v2提出的CausalVQVAE使用3D因果卷积，利用padding技术确保每帧只依赖之前的帧。而TECO则使用时间上的CausalMask在Transformer中实现因果注意力，使得第t帧只依赖0到t-1帧。这样，图像可以被视为第0帧，从而实现图像和视频的统一表征。
2024-06-30 22:50:49赞同 1 展开评论 打赏
版权声明：本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
相关问答
问答排行榜
最热
最新
推荐问答
