लेखकों ने LIME प्रस्तावित किया, एक विज़न-भाषा मॉडल जो RGB अवलोकनों और प्राकृतिक भाषा के इरादों से सापेक्ष लक्ष्य पोसेज की भविष्यवाणी करके भाषा-शर्तयुक्त कैमरा गति उत्पन्न करता है।
- सिस्टम आत्मकेंद्रित वीडियो से बहु-इरादा निगरानी खनन करता है, संभावित इरादों को अवलोकन-लाभ विवरण और SE(3) लक्ष्य पोसेज के साथ जोड़ता है।
- LIME एक स्व-पुनरावर्ती अवलोकन-लाभ आउटपुट को एक निरंतर फ्लो-मैचिंग पोस हेड के साथ जोड़ता है ताकि संयुक्त रूप से भविष्यवाणी की जा सके कि अगला दृश्य क्या प्रकट करना चाहिए।
- यह डिज़ाइन मॉडल को बहु-परिकल्पना लक्ष्य दृश्यों का प्रतिनिधित्व करने की अनुमति देता है, जैसे वस्तुओं की निरीक्षण या छिपी हुई क्षेत्रों को प्रकट करने के लिए।
यह दृष्टिकोण दिखाता है कि LIME निष्क्रिय मानवीय वीडियो से सक्रिय रूप से कैमरा पोसेज चुनना सीख सकता है, सामान्य आत्मकेंद्रित रिकॉर्डिंग्स को इरादे-जागरूक सक्रिय धारणा के लिए निगरानी में प्रभावी ढंग से बदल देता है।