**V2N：首个完整视觉钢琴转录系统，多任务多帧联合预测**

_Multi-Task Multi-Frame Visual Piano Transcription_

> HuggingFace Daily Papers 推荐论文提出 V2N（Video to Notes），首个完整的视觉钢琴转录系统。该模型通过共享时间主干网络配合任务特定头，联合预测音符起始、结束、按键保持时长与力度，采用逐帧监督训练。在 PianoVAM 和 R3 数据集上刷新 SOTA，解决了现有视觉转录系统偏移预测不准、力度未报告等问题。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-08-05 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2608.03419)