FluxMem：用于流式视频理解的自适应分层记忆机制

本文提出 FluxMem，一种无需训练的流式视频理解高效框架。该框架采用分层两阶段设计自适应压缩冗余视觉记忆：首先通过时间邻域选择模块去除相邻帧间的冗余视觉令牌，其次利用空间域整合模块将帧内重复区域合并为紧凑表示。为适应动态场景，我们在两模块中引入自适应令牌压缩机制，依据场景内在统计量自动确定压缩率。实验表明，FluxMem 在现有在线视频基准测试中取得最先进结果，显著降低延迟与显存占用，同时保持优异的离线性能。