VOST-SGG: 基于VLM的一阶段时空场景图生成

VOST-SGG的研究提出了一种利用视觉语言模型（VLM）进行场景图生成的新方法，可能提高理解复杂视觉场景的准确性和效率。有必要进一步研究其在不同视频数据集上的性能提升和实际应用。

• •VOST-SGG提出了一种用于时空场景图生成的新架构。
• •该方法利用了视觉语言模型 (VLM) 的能力。
• •该论文发表在ArXiv上，表明是早期阶段的研究。