Os autores propõem o LIME, um modelo de visão e linguagem que gera movimento de câmera condicionado por linguagem ao prever poses alvo relativas a partir de observações RGB e intenções em linguagem natural.
- O sistema extrai supervisão multi-intenção do vídeo egocêntrico, pareando intenções plausíveis com descrições de ganha de observação e poses alvo SE(3).
- O LIME combina uma saída de ganha de observação autorregressiva com uma cabeça de pose contínua baseada em flow-matching para prever conjuntamente o que a próxima visão deve revelar.
- Esse design permite que o modelo represente vistas alvo multihipotéticas para tarefas como inspecionar objetos ou revelar regiões ocultas.
A abordagem demonstra que o LIME pode aprender a escolher ativamente poses de câmera a partir de vídeo humano passivo, convertendo efetivamente gravações egocêntricas comuns em supervisão para percepção ativa consciente da intenção.