latent-state-reconstruction

ChronoVision 是一个多模态框架，通过将视觉逻辑与潜在图像对齐，使用重构视觉头、ROI 注意力定位模块和强化学习，改进视觉语言模型中的时间推理。它引入了 Vbvr-VQA 数据集，并在时间跟踪基准上达到了 SOTA 准确率。