Los autores proponen LIME, un modelo de visión y lenguaje que genera movimiento de cámara condicionado por lenguaje al predecir poses objetivo relativas a partir de observaciones RGB e intenciones en lenguaje natural.
- El sistema extrae supervisión multi-intención del video egocéntrico, emparejando intenciones plausibles con descripciones de ganancia de observación y poses objetivo SE(3).
- LIME combina una salida de ganancia de observación autorregresiva con una cabeza de pose continua basada en flow-matching para predecir conjuntamente qué debe revelar la siguiente vista.
- Este diseño permite al modelo representar vistas objetivo multihipótesis para tareas como inspeccionar objetos o revelar regiones ocultas.
El enfoque demuestra que LIME puede aprender a elegir activamente poses de cámara a partir de video humano pasivo, convirtiendo efectivamente grabaciones egocéntricas ordinarias en supervisión para percepción activa consciente de la intención.