T2Vid: Translating Long Text into Multi-Image is the Catalyst for Video-LLMs

Xehetasun bibliografikoak

Argitaratua izan da:	arXiv.org (Dec 2, 2024), p. n/a
Egile nagusia:	Yin, Shukang
Beste egile batzuk:	Fu, Chaoyou, Zhao, Sirui, Shen, Yunhang, Ge, Chunjiang, Yang, Yan, Long, Zuwei, Dai, Yuhan, Xu, Tong, Sun, Xing, He, Ran, Caifeng Shan, Chen, Enhong
Argitaratua:	Cornell University Library, arXiv.org
Gaiak:	Translating Data augmentation Video data Images Large language models Training Inference
Sarrera elektronikoa:	Citation/Abstract Full text outside of ProQuest
Etiketak:	Etiketa erantsi Etiketarik gabe, Izan zaitez lehena erregistro honi etiketa jartzen!