用手势字幕补上语义：CoordSpeaker 如何让说话人边说边做指定动作

英文题目：CoordSpeaker: Exploiting Gesture Captioning for Coordinated Caption-Empowered Co-Speech Gesture Generation

会议身份：conference:cvpr:2026:conference-paper-id:Fang_CoordSpeaker_Exploiting_Gesture_Captioning_for_Coordinated_Caption-Empowered_Co-Speech_Gesture_Generation_CVPR_2026_paper

✅ 来源为官方会议 PDF；表格与 Figure 按原文证据绑定。PDF 公式以原页区域图片展示，未冒称作者原始 TeX。

会议来源：官方记录 · 官方 PDF

标签：#扩散模型 #多模态学习 #变分自编码器 #语音 #音视频生成

评分：6.6/10 | 创新 1.5/2 | 技术严谨 1.2/1.5 | 实验充分 1.2/1.5 | 清晰度 0.8/1 | 影响力 0.8/1.5 | 开源 0.0/1.5 | 可复现 0.1/0.5 | 工程/实践 1.0/1.5

排名：前50% | 文档类型：方法研究

👥 作者与机构

• Fengyi Fang：机构信息未能从会议 PDF 纯文本可靠映射
• Sicheng Yang：机构信息未能从会议 PDF 纯文本可靠映射
• Wenming Yang：机构信息未能从会议 PDF 纯文本可靠映射

📌 核心摘要

随语音手势生成需以语音音频与描述字幕为输入联合合成全身动作，输出既与语音节拍对齐又与语义指令一致，难点在于手势数据缺乏描述性标注且异构条件易争夺控制权。CoordSpeaker先以运动分词器加冻结运动语言模型对手势片段离线生成并缓存字幕，输出局部字幕与全局字幕以补足缺失语义并送入后继生成。接着以手势变分自编码器把统一后的运动表示压缩到低维潜空间，实现BEAT与HumanML3D跨数据集联合建模，为扩散提供紧凑运动表示。随后分层控制去噪器在编码器端拼接局部字幕与音频做自注意力保证节奏同步，在解码器端以全局字幕做交叉注意力保证语义连贯，再经解码器恢复动作序列。与简单拼接条件不同，该分层注入显式区分模态与尺度，平衡异构条件的贡献，减少语音与描述冲突。在HumanML3D测试集文本驱动生成任务下，Ours的指标MM-Dist为3.584±.012，低于MoMask的指标MM-Dist 3.620±.011。长序列时序错乱这一失败条件表明其适用边界受限于4名英语说话人与离线缓存字幕场景，双条件联合定量协议尚未验证。在单块NVIDIA RTX 3090硬件上平均每句推理开销为0.842±.002s，计算量显著小于基线，得益于潜空间扩散与分层去噪设计。

🔗 开源与复现资源

本次未形成可展示的已核验资源记录，开放状态尚未核实。 可达状态仅表示本次链接检查结果，不代表许可证、本文权重或运行复现已验证。

🧭 深度解读

输入是什么，目标是什么，先保留哪些关键信息？

这篇解读的输入是论文正文证据与本次收到的官方原图像素，目标是让刚进入语音与动作领域的研究生能核对并复述方法。必须保留的信息包括任务定义、数据条件、模型分工、训练与推理动作、实验对照与已知局限，输出是 1 篇按学习依赖展开的中文技术解读。本文只讲论文实际研究的任务：输入为语音音频加任意描述字幕，输出为与语音节奏同步、与字幕语义一致的说话人全身手势序列。教学中举的例子会明确标为例子，不添加无源数值。

论文要解决的矛盾是，现有语音手势生成多半只做自发手势，也就是跟着语音节奏自然摆动的那部分，而缺少由文字直接指定的非自发动作。白话说，自发手势解决像不像在说话，非自发动作解决做没做指定的事，例如边说话边向前走并鞠躬收场、坐下讲、双手举起、左手持杯。原文图 1 的例子正是让说话人在语音场景中自然向前走并鞠躬，同时完成结束动作。已有方法面临两个困难。

第一是语义先验缺口，手势数据集缺少直接的描述性文本标注，语音转录只能提供间接有限的语义，人工逐段标注又太贵。第二是协调多模态控制难题，音频与描述不是天然配对，控制目标不同，直接拼接条件容易互相压制，导致不协调。

自发手势 × 非自发动作： 自发手势指跟随语音节奏自然出现的手部摆动、身体晃动，分工是保证与语音节拍同步；非自发动作指由文字描述指定的全身动作，例如边说话边向前走、鞠躬、坐下、举杯，分工是保证语义可指定。两者搭配的原因是真实演讲与虚拟人需要同时满足节奏与语义，组合意义是把生成目标从单一语音驱动扩展为语音加字幕的联合可控生成。

为理解全图，先看任务总览示意的导读。本图上半部分展示如何为手势数据补字幕，下半部分展示音频与文本字幕如何联合驱动同一段全身动作，颜色区分了不同输入分支与输出人物序列。

看图路径： 1. 先看上半部分左侧字幕生成如何把动作序列变成绿色字幕气泡并补入手势数据集；2. 再看下半部分音频条与黄色文本加绿色字幕如何同时指向同一段全身动作；3. 对照蓝色人物与黄绿人物序列，确认向前走加鞠躬是连续动作而非单帧姿态

论文图 1。原论文 Figure 1：“CoordSpeaker exploits gesture captioning to en- able customized coordinated speaker gesture generation, produc- ing both co-speech spontaneous gestures and caption-driven non-…”。

看完图后可以形成第一印象：上路是补语义，下路是用语义。左上把动作序列送入字幕过程，输出绿色字幕气泡，再把字幕作为新增标注补回右侧数据集；下方同一条音频同时配黄色短文本与绿色长字幕，共同约束从站立说话到走步再到鞠躬的连续变化。这正是后文 2 阶段设计的原因，先解决无字幕可学，再解决有字幕如何协调使用。

同输入同目标的已有路线卡在哪里？

按同输入、同目标、同监督来对照，语音手势合成路线早期用循环网络与变换器建模序列，但分别受时间建模能力与计算量限制。扩散模型生成能力强，但直接在运动空间操作成本高且不稳定，潜在扩散模型因此被用来在低维潜空间生成以兼顾能力与效率。现有语音同步已有进展，但语义相关性仍受缺描述标注限制。论文点名的两条相近路线各有缺口。杨等人提出语音与文本驱动的方法，但仍有语义标注缺口且不支持联合信号的协调生成。

陈等人用提示与动作对齐预训练生成隐式文本标签，但带来额外训练与推理成本。 另一条相关路线是动作与文本互译。白话说，动作字幕指把人体动作翻译成自然语言句子，文本到动作则是反方向生成。早期用统计模型与循环网络学映射，后来有基于离散化、统一动作语言模型的工作。论文指出，手势本身有自然语义属性，但此前没有工作专门探索手势理解与手势字幕。

本文自称首次把手势字幕作为解决语义先验缺口的手段，并从双向手势文本映射角度提供新视角。对初学者而言，关键区别是本文不是只加一个文本编码器，而是先用外部动作语言模型把缺的文本补出来，再设计结构让文本真正可控。

要测的问题与不测的边界是什么？

论文把评估组织成 4 个问题。第一是协调手势生成，在联合语音与字幕控制下能否同时做到语音同步与语义相关，并与相近基线比较。第二是纯文本驱动的动作生成，在只有文本条件下与文本到动作方法比较，以验证语义理解与非自发动作能力。第三是手势字幕，评估生成字幕的质量、与人的对齐程度与多样性，这是补语义这一步是否可信的检查。第四是消融，分析关键组件的影响。

需要明确的边界是，定量指标多为单模态因素，论文目标是在多模态指标间取得平衡，而非在每个单项都压过所有基线。字幕评估天然缺少标准答案，这正是要解决的缺口，因此论文另建 200 样本专家标注集从动作语义相关性、语言质量与参考对齐三方面评估。用户评价只在联合语音与字幕控制下做自然度、同步性与匹配度三方面选择，没有把自动指标当成人评。效率单独用每句平均推理时间衡量，排除了模型加载时间。

两阶段总览：先补字幕，再学协调生成

CoordSpeaker 的总览可沿一个样本走完。输入是一段手势动作与对应语音，目标是输出既跟语音又跟字幕的动作。第一阶段是手势字幕，先把无文本的手势数据变成有局部与全局字幕的数据，字幕离线生成并缓存，推理时不再重复跑大语言模型。第二阶段是协调手势生成，先学统一潜运动表示，再在潜空间训练带分层控制的条件扩散模型，推理时用音频加字幕联合去噪并解码为动作。 下图把三栏对应到上述动作，左栏是字幕，中栏是两步训练，右栏是演示推理，箭头方向即数据流向，阅读时先看主路径再看条件汇入点。

看图路径： 1. 从左到右沿三栏看阶段一字幕、阶段二两步训练、右侧演示推理的主路径；2. 比较阶段二步骤一的单箭头重建与步骤二的多条件箭头汇入扩散模型的区别；3. 确认右侧演示中音频与字幕是并行输入条件潜在扩散模型再经解码器输出

论文图 2。原论文 Figure 2：“Overview of CoordSpeaker. We first introduce Gesture Captioning (Sec.”。

结合像素可见内容解释：左栏动作序列经动作分词器进入冻结的运动感知大语言模型，配自然语言提示后输出描述句；中栏步骤一用手势变分自编码器学重建，步骤二把动作、音频与多字幕同时指向条件潜在扩散模型；右栏演示把音频与长字幕并行送入条件潜在扩散模型，再经手势变分自编码器解码器输出走步加鞠躬序列。这种安排的理由是原文明确写的低成本与和谐协调，先用现成模型补标注以避免人工标注，再用分层结构避免多条件冲突。

字幕分支如何生成多粒度描述？

手势字幕框架包含动作分词器与运动感知语言模型。白话说，动作分词器指把连续动作压缩为离散动作词的编码器加解码器，运动感知语言模型指能同时处理文本词与动作词的变换器模型。原文说分词器基于向量量化变分自编码器结构，语言模型采用统一文本动作词表，实践中利用 MotionGPT 并在推理时冻结。处理动作是先把手势序列转到统一运动表示空间，再投影到 22 关节特征子集，然后编码量化为离散动作词序列。提示模板被分词为文本词，两类词混合送入模型生成对应手势字幕。

手势字幕 × 多粒度字幕： 手势字幕指用动作语言模型为无文本标注的手势片段生成的描述性句子，分工是补上缺失的语义监督；多粒度字幕指同时保留局部片段字幕与拼接而成的全局字幕，分工是分别对齐短时细节与长时整体。搭配原因是单一整句难以对齐不同时间尺度，组合意义是让去噪器在编码器侧吃局部精细语义、在解码器侧吃全局上下文。

多粒度机制要解决时间动态与语义粒度变化。做法是把手势序列按段长切分，每段独立生成局部字幕，全局字幕由局部字幕加分隔符拼接而成。局部提供段级精细监督，全局概括整段语义。3 种实例化策略是规则字幕对固定长度段生成局部字幕，动态字幕在训练时随机采样段并做随机采样与字幕混合，层级字幕同时用局部与全局以结合细到粗线索。论文在消融后采用带规则局部字幕的层级策略，理由是它在所有指标上总体平衡最好。

模型细节全景需要一张四宫格图导读。该图左上是字幕编码路径，右上是 3 种字幕策略，左下是 2 阶段生成训练，右下是分层去噪器，阅读时按字幕到表示再到控制的顺序看。

看图路径： 1. 先看左上运动编码器加统一码本再与提示混合输入运动语言模型的分支；2. 再看右上规则切分、随机切分与局部加全局拼接三种字幕策略的示意差异；3. 最后看右下局部条件做自注意力、全局条件做交叉注意力的两阶段注入位置

论文图 3。原论文 Figure 3：“Model overview. (Top) Gesture Captioning Framework: A motion tokenizer and a motion-aware language model (Motion- LLM) generate descriptive gesture [captions] from predefined…”。

对照像素解释：左上人物动作经编码器进入统一码本，混合词与提示一起进入运动语言模型并输出词序列；右上规则是等距切分各配一个字幕，动态是随机框选并混合，层级是下方多个局部框对应上方一条全局长句；左下编码器得到潜向量后走扩散加噪再去噪解码；右下噪声潜向量、时间步与局部条件拼接做自注意力，再与全局条件做交叉注意力并循环多步。这种布局直接对应后文局部进编码器、全局进解码器的实现。

表示与去噪器各自管什么，如何搭配？

统一运动表示先把不同格式数据转成 SMPL-X 轴角表示，经缩放与初始朝向调整后用前向计算得到 3 维关节点，再按每帧拼接根关节角速度、线速度与高度、关节位置速度旋转与脚触地构成特征。原文说用 55 个关节以更好容纳手势数据，每帧为 659 维向量，序列记为帧数乘 659。目的是引入 HumanML3D 的人体动作语义先验，并让跨数据集建模有同一特征格式。

统一运动表示 × 手势变分自编码器： 统一运动表示指把不同数据集的动作先转成 SMPL-X 轴角再算出 659 维帧特征，分工是消除数据格式差异以便跨数据集联合训练；手势变分自编码器指把该特征压缩为低维潜向量再重建，分工是提供紧凑稳定的扩散空间。搭配原因是直接在高维运动空间扩散成本高且不稳定，组合意义是用一个可重建的潜空间同时容纳语音手势数据与人体动作语义先验。

手势变分自编码器采用带长跳连的变换器编码器与解码器。编码器输入逐帧运动特征与可学习的分布词，输出潜空间高斯参数均值与方差，再经重参数化采样得到潜向量。解码器用交叉注意力，以零动作词为查询、潜向量为键值生成重建动作。训练最小化重建均方误差加正则项权重控制的散度项，目标是高效合成同时保持保真度与多样性。

局部条件 × 全局条件： 局部条件指由局部字幕与音频拼接后与噪声潜向量一起送入去噪器编码器做自注意力，分工是保证每段动作的节奏与细粒度语义同步；全局条件指由全局字幕通过交叉注意力注入去噪器解码器，分工是维持整段动作的连贯性与高级语义。搭配原因是异构条件直接拼接容易互相压制，组合意义是用分层注入把不同尺度控制解耦为先局部同步再全局协调。

条件潜在扩散模型在潜空间加噪，去噪器是分层控制的编码器解码器结构。从随机噪声出发逐步恢复潜向量再解码。给定字幕嵌入与音频嵌入，2 阶段注入是第一阶段把局部条件与噪声潜向量及时间步嵌入拼接后送编码器做自注意力，保证局部段的语义与节奏同步；第二阶段把全局条件经交叉注意力注入解码器，增强整体连贯性与高级语义。原文强调该结构与多粒度字幕对齐，能平衡异构条件贡献。

训练与推理的真实计算动作是什么？

训练分 2 个阶段。第一阶段训练手势变分自编码器做重建，第二阶段冻结或复用其编码解码能力后训练条件潜在扩散模型做去噪。扩散前向是马尔可夫链逐步加高斯噪声，逆向由分层去噪器预测噪声并恢复。扩散训练用平方误差目标，期望对噪声与时间步计算预测误差。推理用去噪隐式采样器经 50 步去噪预测潜向量，再经解码器 1 次前向得到动作序列。

分类器无关引导 × 分层控制去噪器： 分类器无关引导指训练时随机掩掉部分条件以同时学会有条件与无条件分布，推理时按权重组合不同条件下的噪声预测，分工是调节音频与字幕各自的控制强度；分层控制去噪器指按局部与全局 2 阶段注入条件的编码器解码器结构，分工是决定条件在何处以何种注意力方式进入。搭配原因是只调权重仍需结构配合才能避免冲突，组合意义是用训练策略加结构位置共同实现可调的协调生成。

分类器无关引导的具体动作是训练时以 10% 概率随机掩掉条件输入以学会有条件与无条件分布，推理时按音频引导尺度与字幕引导尺度加权组合不同条件下的噪声预测。缺失文本与缺失音频的处理按原文交代：协调生成时 BEAT 缺的文本由字幕框架生成，HumanML3D 缺的音频置零。原文未报告优化器类型、学习率、批量大小与训练轮数的完整组合，本解读不从模型名称推定这些实现，复现时需以补充材料第 6 节为准。梯度路径方面，原文只明确给出变分自编码器重建加正则目标与扩散去噪目标，未给出每条条件分支是否截断梯度的说明，不猜测未报告的冻结与更新细节。

数据、划分、指标与硬件预算按原文如何交代？

数据按原文交代为联合训练语音到手势数据集 BEAT 与文本到动作数据集 HumanML3D。BEAT 提供 76 小时语音手势数据，实验用其中 4 位英语说话人的手势。HumanML3D 含 14616 个动作与 44970 条文本描述，提供丰富语义先验。BEAT 缺文本用字幕框架补，HumanML3D 缺音频置零。划分与采样细节主要在补充材料，本文证据未给出逐集划分比例，因此不编造划分口径。

指标分三视角。重建质量用抖动与加速度衡量平滑自然，数值越接近真实动作越好。语音到手势用弗雷歇手势距离衡量真实感、平均 L1 距离衡量多样性、节拍一致性衡量语音动作同步。文本到动作用法语 inception 距离与多样性衡量真实感与多样性，用检索精度与多模态距离衡量动作文本对齐。用户评价从自然度、同步性、匹配度三方面选最优，卡方检验报告显著性。

效率用单卡单批量、排除加载时间的每句平均推理时间。硬件预算原文只明确提到单张 NVIDIA RTX 3090 用于计时，未报告完整训练资源，本节不把趋势当成每组都成立的承诺。

联合控制下谁更协调，纯文本下谁更懂语义？

先看协调生成的定性对照导读。本图顶部是同一音频下的 4 个字幕条件，纵向三行是不同方法，框颜色按图注区分语义不一致、动作不自然与协调自然，阅读时先读字幕再逐列看框内动作是否执行。

看图路径： 1. 先读顶部同一条音频波形下四个抬手坐下持杯直走的字幕条件；2. 逐行比较同一列下 FreeTalker 红框 SynTalker 黄红框与本方法绿框的动作差异；3. 重点观察举双手与坐下两列中手臂高度与下肢姿态是否执行了字幕要求

论文图 4。原论文 Figure 4：“Qualitative comparison of coordinated gesture generation.”。

像素可见的判断是：首列双手举起时本方法手臂抬高更符合要求，相近方法或只做语音摆动或手型细节有误；次列坐下讲时本方法下肢呈坐姿，基线或站立或僵硬；第三列持杯与第四列直走也有类似趋势，论文报告本方法节奏对齐且语义一致，外观更自然。定量上论文报告在联合多模态控制下本方法在重建、节拍一致性与多样性上超过 FreeTalker，文本对齐相当，且推理更快。但原文也提醒现有定量指标偏单模态，目标是跨模态平衡，不能把单项领先推广为全面压制。

纯文本生成方面，论文在 HumanML3D 测试集按标准协议与文本到动作方法比较，报告本方法取得最优文本对齐与次优生成保真度，显著优于相近的协同方法 SynTalker，支持分层去噪器能融入细粒度语义的判断。用户评价显示本方法在三方面胜率最高，卡方检验在自然度、同步性、匹配度上均显著。字幕方面，定性可描述细粒度手部与粗粒度全身及连续复合动作，定量在 200 样本专家集上与人工标注相当，流利度略高、相关性接近，但长序列时序顺序感知仍有挑战。

下面两张表是本解读按机械契约整理的数字表，均用原文连续原句逐字覆盖，不自行计算差值或补单位。第一张回答效率问题：在相同计时口径下谁更快、快多少。第二张回答字幕可信度与数据规模问题：生成字幕与人工标注在报告指标上是否接近，以及联合训练的数据量级。 第一张表比较每句平均推理时间，指标方向为越小越快，公平条件是同为单卡单批量且排除模型加载时间，表后解释主要收益与代价。

表后解释：本方法报告为 0.842 秒量级，约为另两方法六分之一，支持高效分层去噪与优化潜扩散过程带来实用性的判断。代价是速度不等于每段动作质量都最优，重建类指标与部分保真度指标仍有未胜出项，见消融与局限。未评测边界包括不同 GPU 与批量下的延迟分布，原文未测量则不承诺。

第二张表比较字幕质量与数据条件，指标方向为流利度与 ClipScore 越高越好，公平条件是同一 200 样本专家标注集与同一评价口径，表后解释支持与限制。

表后解释：生成字幕在流利度与 ClipScore 上与人工标注接近，结合定性例子支持字幕框架有效补上语义缺口。但该任务是开放式生成，BLEU 与 ROUGE 等参考对齐只能算合理，不能当成完全等同人工。

未胜出项是完整性与覆盖等雷达维度并未全面超越人工，长序列时序顺序仍是已知短板。

拿掉字幕、分层结构与统一表示会发生什么？

消融按原文 3 组展开。拿掉多粒度手势字幕后，定性只剩基本语音手势、缺少有意义非自发动作，定量语义相关性明显下降，多模态距离上升、检索精度下降，支持多粒度字幕提供精确语义引导的判断。3 种字幕策略中带规则局部字幕的层级策略总体平衡最好。 拿掉分层控制去噪器后，重建质量下降且条件协调变弱，表现为更偏向语音手势、节拍一致性偏高而语义相关性下降，多模态距离上升，支持分层结构对多模态协调重要的判断。

拿掉统一跨数据集运动表示后，超出典型语音动作的语义感知受限，例如举手意图执行不完整，语义相关性大幅下降、检索精度下降。图 5 右侧消融可视化用同一音频与单字幕比较完整模型、去字幕与去统一表示，完整模型举双手动作最符合要求。 反证意义在于三者分工不可互相替代：字幕解决有无语义，分层解决如何协调使用，统一表示解决跨数据集语义先验能否进入同一潜空间。

原文未报告逐项移除后的训练稳定性曲线，因此不把单次下降推广为必然因果，只说在报告条件下支持上述分工。

哪些情况仍不可信，还缺哪项验证？

论文明确或可归因的局限有 3 类。第一是字幕长序列时序感知，模型能描述复合动作，但在较长手势序列中对时间顺序感知有挑战，补充材料有更多讨论。第二是评估口径局限，定量指标偏单模态，协调生成的联合最优难以被单一数字完全刻画，用户评价虽显著但样本为 20 人评 10 组 9 秒结果，推广到更长演讲与游戏交互仍待验证。

第三是资源状态，证据清单显示本次未发现来源绑定且完成验证的资源，不得声称代码模型或数据已公开，复现时只能依赖论文与补充材料的参数与流程描述。 缺失证据不是技术错误。原文未测量误判率分布、逐帧延迟与完整训练成本，未报告优化器与超参数全表，因此不承诺这些量得到改善。总体趋势不等于每组每步成立，例如速度领先不等于每类语义动作都最自然。

要复现先做什么，需要保留哪些信息条件？

复现建议按依赖顺序做。先复现统一运动表示，把两类数据转 SMPL-X 轴角并按 659 维帧特征对齐，检查 55 关节与脚触地等字段是否缺失，先能重建再谈生成。再复现手势变分自编码器，确认编码器分布词、长跳连与交叉注意力解码的实现与重建加正则目标，先在单数据集跑通重建。接着离线跑运动语言模型生成局部与全局字幕并缓存，注意原文推理时冻结该模型，缺文本的 BEAT 用生成字幕补，缺音频的 HumanML3D 置零。

最后训练条件潜在扩散模型，落实局部进编码器、全局进解码器、训练时 10% 掩条件、推理用 50 步采样与双引导尺度的动作。 必须保留的信息条件包括 4 位英语说话人选择、HumanML3D 测试协议、每句平均推理时间的单卡单批量排除加载口径、200 样本专家集的字幕评价口径。区分代码开源、权重下载与系统可运行：本次证据未确认可用资源，只能说按论文流程重建系统，不声称官方实现当前可用。

若要补验证，优先补长序列时序字幕准确率、不同硬件下的延迟分布与多轮交互中的语义保持度。

何时值得尝试，一句话如何收束？

当任务同时需要语音节奏与可指定语义，例如虚拟教师边讲边指、游戏角色边说边走持物、演讲者走步鞠躬收场，且已有语音手势数据但缺文本标注时，值得尝试先补字幕再分层控制的路线。当只需要纯语音摆动或已有高质量人工语义标注时，不必引入整套字幕与跨数据集流程。

收束判断是：CoordSpeaker 报告显示用离线字幕补语义缺口是可行且低额外推理成本的，分层注入在报告条件下同时改善了语义执行与协调自然度并大幅降低每句推理时间，但重建与保真度仍有未胜出项，长序列时序仍是待验证短板。学习时先记住样本路径输入到表示到组件到目标到输出，再展开消融与效率对照，就能向他人复述方法的成立条件与适用边界。

📐 原文公式与排版

以下展示论文原页中的数学表达区域，保留原始上下标、分式和符号排版。区域序号仅用于本文导航，不是论文公式编号。

区域 1 · 查看论文原页

区域 2 · 查看论文原页

区域 3 · 查看论文原页

区域 4 · 查看论文原页

区域 5 · 查看论文原页

另有 17 个候选区域因边界不明确或图片数量、尺寸限制未展开；请查看完整论文中的原始排版。

⚖️ 评分明细

评分属于系统判断，不是论文实验结果；八维数值与总分见页首，原始审计记录保留在后端。

• 评分规则：type-aware-v1
• 评分模型：muse-spark-1.3-contributor
• 评分请求协议：openai_responses

← 返回 cvpr-2026 论文汇总