Video Understanding Action Prediction Evidence Retrieval
摘要

视频场景程序规划(VSPP)通常预设目标观测值,但在需检索证据时存在挑战。本文引入跨视频场景程序规划(CVSPP),要求模型从候选视频中检索支撑视频、定位相关片段并预测动作序列。针对早期硬选择易导致错误场景链的问题,我们构建了包含十一来源的基准测试,并提出单步证据融合(OSEF)。该方法通过查询条件化的单元格与跨度格网对所有候选者进行评分,并通过Token全局适配器将完整的软格网输入规划器,无需预先裁剪窗口。实验表明,OSEF在多个指标上达到最优,显著提升了精确视频和计划的成功率。

AI 推荐理由

论文核心解决跨视频场景的程序规划问题,提出OSEF方法优化证据融合以支持规划器生成动作序列。

论文信息
作者 Zhentong Ye, Lei Zhang, Sijia Zhou, Yingda Yu, Yuehan Shi et al.
发布日期 2026-07-31
arXiv ID 2607.29401
相关性评分 9/10 (高度相关)