HOMIE: Human-object Centric Video Personalization via Multimodal Intelligent Enchancement

  • 类型：arxiv
  • 标识：2607.18217
  • 链接：https://arxiv.org/abs/2607.18217
  • 主分类：multimodal
  • 形态：method
  • 被引：0
  • 被引来源：Semantic Scholar
  • S2被引：0
  • 影响力被引：0
  • TLDR：HOMIE proposes a better MLLM integration strategy to extract knowledge of reference-level relationships without compromising the controllability of text encoders or incurring costly re-alignment, and introduces global multimodal guidance within self-attention to better align MLLM-derived semantic features with VAE tokens.
  • 待LLM分类：否
  • 标题中文：HOMIE：通过多模态智能增强实现以人-物为中心的视频个性化
  • TLDR中文：HOMIE 提出了一种更优的 MLLM 集成策略，可在不损害文本编码器可控性或引入昂贵重新对齐的前提下，提取参考级关系知识，并在 self-attention 中引入全局多模态引导，使 MLLM 派生的语义特征与 VAE token 更好对齐。
  • 来源文件：
  • /inbox/tom/_candidates/2026-07-21-agent-rag-longcontext-candidates.json
  • [S2 enrich]