跳到正文
arXiv · 机器人与计算机视觉· Yao Lu, Yunhao Wang, Yaxin Gao, Feifei Teng, Chenxiao Liu, Zhe Tang, Jiaheng Wei, Zhaowei Zhu, Shanqing Yu, Qi Xuan·· 2 天前AI 评分35

VTG-RAG:通过查询自适应粗到细采样与时序图检索实现长视频推理

VTG-RAG: Long-Video Reasoning via Query-Adaptive Coarse-to-Fine Sampling and Temporal Graph Retrieval

AI 导读

VTG-RAG 框架结合查询自适应粗到细采样与图检索,解决长视频中稀疏证据定位及多模态干扰问题。在 LongVideoBench 基准上,配合 Qwen2.5-VL-32B/72B 模型(24 帧输入),准确率分别从 48.16% 提至 50.56%、从 52.13% 提至 53.32%,验证了各组件贡献。

来源:arXiv · 机器人与计算机视觉 · arxiv.org