摘要
针对长视频问答中现有方法依赖固定时间分块和静态记忆库导致的上下文断裂及推理僵化问题,本文提出REVEAL框架。该框架引入基于视觉相似度的自适应预处理,将相邻帧聚合成自然事件单元,构建兼顾全局上下文与动态问题条件记忆的混合结构。此外,通过自动构建的评分库显式验证检索证据的充分性,定位缺失线索并指导针对性重检索。实验表明,该方法无需额外训练即可超越现有最先进模型,显著提升长视频推理的可靠性。
AI 推荐理由
论文核心贡献在于构建自适应的视频记忆架构(离线-在线混合),解决长视频问答中的记忆碎片化与动态维护问题。
研究机构
浙江大学
上海人工智能实验室
论文信息