论文提出V2N（Video to Notes），面向视觉钢琴转录同时预测起音、止音、按键保持和力度。系统以共享时序骨干连接任务头，并采用逐帧监督而非仅监督窗口中心。作者报告，多任务训练改善起音并支持止音与力度预测，延长视频上下文后，在PianoVAM和R3上取得新的最佳结果。
最近 24 小时暂无可用热度快照。