跳到正文
arXiv · 机器人与计算机视觉· Alessia Intini, Lorenzo Vaiani, Enrico Chen, Luca Cagliero·· 2026-10-20精选AI 评分78

基于递归语言模型的长形式视频到文本摘要

Long-form Video-to-Text Summarization using Recursive Language Models

AI 导读

针对现有 VideoLLM 在长视频摘要中面临的性能退化、时序连续性难保持及事件描述缺乏语义丰富度等问题,本文提出了首个递归视频语言摘要模型(RVLSM)。该模型将视频分解为语义连贯片段并委托子模型推理,采用场景感知的分块策略维持时序一致性,并通过路由机制调用动作识别、OCR 等辅助工具增强摘要的语义信息。

推荐理由

提出首个递归视频语言摘要模型,通过语义分解与工具调用解决长视频理解难题。

来源:arXiv · 机器人与计算机视觉 · arxiv.org