闻见视频：面向可解释视频-香味计划的两阶段管道

嗅觉线索可以增强交互媒体中的沉浸感，但由于难以编写和与动态视频同步，嗅觉仍较为罕见。先前的嗅觉界面依赖设计师触发和固定的事件-香味映射，难以扩展到不受约束的内容。本工作考察了语义规划在实际香味 delivery 之前是否对人类可理解。我们提出了视频-香味规划管道，将视觉语义提取与视觉语言模型分离，语义-嗅觉推理使用大语言模型。两项调查研究比较了系统生成的香味计划与过度包含和天真的基线。结果显示，人们持续偏好那些优先考虑感官显著线索、将香味变化与可见动作一致的计划，这支持语义规划是未来嗅觉媒体系统的基础。