多模态（multi-modal）和多视图（multi-view）的区别

多模态（multi-modal）这个概念最近火起来是因为gpt和sora，一个语言大模型一个视频大模型。在计算机领域，模态这个词被解释成不同融合来自不同感官的数据和信息，图片、文字、视频。
多视图（multi-view）则是多个视角下采集获取的数据。最普通的理解如初中学过的一个物体从不同方位看得到的三视图这种概念。
但其实视图的概念更加的抽象，在多视图中，不同的模态，视频、文字、语音，可以被认为是不同的视图，所以多模态是多视图的特例。

多视图数据来源
来源于不同形态的数据，如不同风格的字体、不同国家的语言
来源于不同数据站点的数据，如不同设备扫描得到的数据、不同种群的数据
来源于不同视角的数据，如一个人不同角度的成像数据
来源于不同特征描述的数据，如数据的边缘、傅里叶、纹理等特征构成的数据
来源于不同模态的数据，如视频可划分为音频、视觉、文本等不同模态构成的数据
来源于不同格式的数据，如不同的图像格式所构成的数据
来源于不同采样下的数据，如数据缺失程度不同所构成的数据、