MolmoMotion 言葉で動きを予測

MolmoMotionは、新しいmotion forecastingモデルで、言語の指示と初期の物体の位置を使って、動画内の未来の3D点軌跡を予測し、既存の手法を上回ります。 このモデルとデータセットであるMolmoMotion-1Mは、116万本の動画から得られた膨大な3D点軌跡データセットを特徴とし、精度テスト用のベンチマークも備えています。