ECCV 2026 论文 SemVID：长视频理解如何靠证据链剪枝
量子位 · wechat · 2026-07-30
长视频时序定位（VTG）要求模型准确判断事件的起止时间，而不仅仅是识别画面内容。被 ECCV 2026 录用的 SemVID 工作指出，针对 VTG 的视觉 token 剪枝不能像传统 VideoQA 那样只保留“显著画面”，而必须保住一条支撑时间定位的“证据链”。
SemVID 提出了一个无需训练的 token 剪枝框架。它结合 query 相关度与帧间变化来分配 token 预算，并在帧内显式分离出 Object（对象证据）、Motion（动作转折）和 Context（场景锚点）三类语义 token。实验表明，在极低保留率下，该方法仍能稳定保持较高的边界定位精度，避免了证据碎片化。
「多模态」频道最新
- 免细分位移表面几何查询新方法,焦散渲染方差降超10倍 — ssh4net · 2026-10-16
- AI 生成机械装配结构成功动起来,作者激动截图庆祝 — zetalyrae · 2026-10-16
- 复旦 OpenMOSS 开源 MOSS-Image-SFT:Apache 2.0 文生图模型 — bdsqlsz · 2026-10-16
- Hyperflow 开源：采样 49 步压到 8 步，视频生成提速约 3 倍 — mhdfaran · 2026-10-16
- 电影级 3D 奇幻角色提示词模板：机械残件甲胄风 — azed_ai · 2026-10-16
- Midjourney 复古木刻漫画风：--sref 参数直出海狸持刀图 — michaelrabone · 2026-10-16