안녕하세요 석준님 좋은 댓글 감사합니다. Q1. 생성되는 subgoal 이라는 것은 장면 ‘이미지’ 인가, 아니면 ‘경로’ 인가요? 먼저 ViNT에서 Diffusion 모델이…
안녕하세요 영규님 댓글 감사합니다. 영규님꼐서 말씀해주신 것 처럼 ViNT는 VLM에 의존하지 않고 대신 순수하게 RGB 시각정보만으로 어떻게 움직여야할지를 학습합니다. (다양한…
안녕하세요 석준님 좋은 질문 감사합니다. 겉보기에는 단순히 flatten하여 concatenate하는 것처럼 보일 수 있지만, SlowFast 디자인 자체가 이미 시간적 정보를 사전…
안녕하세요 정민님 댓글 감사합니다. 두 모델이 같은 데이터 셋 기반으로 학습된 것은 맞지만 ViNT는 기존 데이터셋에서 추가적인 플랫폼들의 데이터를 추가로…
유사도 s는 텍스트–비디오 임베딩 간 코사인 유사도로 계산됩니다. MUS에서 max(s_i−\bar{s},0)로 평균보다 낮은 값은 0으로 버리는 이유는, 정답 가능성이 거의 없는…