3

Perceptio 探索通过空间 token 生成增强视觉语言模型的感知能力，以支持复杂的二维与三维空间推理。

本研究利用长时序姿态扩散探索音乐驱动的舞蹈视频生成，重点关注稳健的动作合成和用于视频生成的姿态对齐。