Topic · 122 篇
视频理解与时序
时间维度是任务关键，而不是把图像模型逐帧跑一遍。
这个方向的收录判据
以视频序列为输入，理解动作/事件/时序关系。包括动作识别、时序动作定位、 视频问答、视频检索、跟踪（MOT/SOT）、光流、视频预测。 判据：时间维度是任务的关键，不是"把图像模型逐帧跑一遍"。
本方向全部 122 篇
当 Transformer 遇见 Mamba：一种用于视频目标检测的混合 Transformer-Mamba 网络
When Transformers Meet Mamba: A Hybrid Transformer-Mamba Network for Video Object Detection
将 Mamba 的线性复杂度长序列建模能力与 Transformer 的长程依赖建模能力结合，用于视频目标检测中的跨帧特征聚合；其空间自适应可变形 Transformer 编码器和时序级联双向 Mamba 编码器可作为通用模块迁移到其他需要长时序建模的视频任务中。
基于异常连通分量与意图推理的弱监督视频异常检测
Weakly Supervised Video Anomaly Detection with Anomaly-Connected Components and Intention Reasoning
把「异常连通分量」当作无需帧级标注的伪语义分组手段，配合意图感知区分相似正常/异常行为，可直接迁移到其他弱监督时序定位任务（如弱监督动作定位、视频篡改定位）中构造帧级伪标签。
基于小波变换的语义边界检测帧选择用于长视频理解
Wavelet-based Frame Selection by Detecting Semantic Boundary for Long Video Understanding
提出一种免训练的小波变换帧选择方法，通过多分辨率分析从噪声相似度信号中提取语义边界，为长视频理解中的关键帧选择提供了可复用的信号去噪与分段思路。
W2W：基于语言模型与强化学习的轨迹预测
W2W: Language-Model-Based Trajectory Prediction with Reinforcement Learning
把行人轨迹与交互线索（同行/跟随/障碍）转成可解析文本提示，再用 T5-Small 两阶段训练（交叉熵监督微调 + 以 ADE 与越野惩罚为奖励的强化学习）做轨迹预测；对做视觉时序预测的人，这是一个可复用的「语言模型 + RL 奖励约束」范式，尤其适合把场景约束写进奖励函数而非损失函数。
ViterbiPlanNet：通过可微分Viterbi为教学视频规划注入程序性知识
ViterbiPlanNet: Injecting Procedural Knowledge via Differentiable Viterbi for Planning in Instructional Videos
将程序性知识图谱通过可微分Viterbi层嵌入端到端训练，为视频中的动作序列规划提供了一种结构感知且样本高效的方案，可复用于需要时序推理的视觉任务。
Video-CoE：通过事件链强化视频事件预测
Video-CoE: Reinforcing Video Event Prediction via Chain of Events
论文提出的 Chain of Events 范式通过构建时序事件链来隐式引导 MLLM 关注视觉内容与事件间的逻辑关联，这种将推理链结构嵌入视频时序建模的思路，可迁移到视频问答、动作预测等需要细粒度时序推理的视觉任务中。
VidPrism：用于图像到视频迁移的异构混合专家
VidPrism: Heterogeneous Mixture of Experts for Image-to-Video Transfer
提出异构时序混合专家框架，通过内容感知多速率采样生成不同语义/运动强度的视频流，并分配给功能特化的专家，为视觉中的时序建模提供可复用的分工与融合机制。
基于事件相机的无监督3D运动估计
Unsupervised 3d Motion Estimation Using Event Camera
利用事件相机的高时序分辨率和投影中的时空膨胀/收缩模式，为无监督3D运动估计（光流+深度运动）提供几何线索，可复用于事件相机下的运动估计与深度感知任务。
通过事件衍生的瞬态线索实现严重遮挡下的跟踪
Tracking through Severe Occlusion via Event-Derived Transient Cues
将事件相机微秒级时间戳用于帧间位移预测的双向运动一致性约束，并用高斯掩码模拟遮挡退化来学习不变外观表征，为严重遮挡下的跟踪提供了可复用的事件-帧融合与遮挡增广思路。
面向无人机跟踪的低成本高效时序学习
Toward Low-Cost yet Effective Temporal Learning for UAV Tracking
提出以 PPF（每 FLOP 精度）衡量时序学习组件的性价比，并用轻量的代表性外观 token 传播与合并实现时序建模，可直接迁移到任何单流跟踪器或需要低成本时序聚合的视频任务中。
以草稿思考：面向高效长视频理解的推测式时序推理
Thinking with Drafts: Speculative Temporal Reasoning for Efficient Long Video Understanding
把「草稿模型快速提议关键帧 + 目标模型验证并迭代精化」的推测式双模型协作引入 thinking-with-frames 流程，可直接用于降低长视频 MLLM 推理中冗余多模态上下文的开销，其帧级证据标注与 RL 训练范式也可迁移到其他需要稀疏帧采样的视频推理任务。
少有人走的路：弱监督视频异常检测中的片段探索
The Road Less Seen: Segment Exploration for Weakly Supervised Video Anomaly Detection
针对弱监督视频异常检测中AUROC高但低FPR下召回率低的问题，提出结合时序聚类与不确定性采样的双重探索策略，可复用于其他弱监督时序定位任务中缓解正负样本极度不平衡。
通过多标签原型增长和双线索一致性的测试时自我-他人中心适应用于动作预测
Test-time Ego-Exo-centric Adaptation for Action Anticipation via Multi-Label Prototype Growing and Dual-Clue Consistency
提出测试时自适应框架，利用多标签原型增长和双线索一致性，在无需目标域数据训练的情况下实现跨视角动作预测，可复用于其他存在域偏移的视频理解任务。
TempR1：通过时序感知多任务强化学习提升多模态大模型的时序理解能力
TempR1: Improving Temporal Understanding of MLLMs via Temporal-Aware Multi-Task Reinforcement Learning
把 GRPO 强化学习扩展到多任务时序训练，并按区间-实例对应关系设计定位奖励，可直接用于长视频时序定位与时间敏感问答的 MLLM 后训练。
TVHighlights：LLM 引导的无人工协同训练用于影视剧视频亮点检测
TVHighlights: LLM-Guided Human-Free Collaborative Training for Video Highlight Detection in Movies and TV Dramas
把 LLM 生成的片段级伪标签与轻量视频模型的置信度预测放进自提升闭环，配合噪声鲁棒学习，为长视频时序定位类任务提供了一套无需人工标注的协同训练范式，可直接迁移到视频摘要、精彩片段检索等时序定位问题。
TTAPFormer：通过瞬态异步融合帧与事件实现鲁棒的任意点跟踪
TTAPFormer: Robust Arbitrary Point Tracking via Transient Asynchronous Fusion of Frames and Events
提出瞬态异步融合机制，用连续事件流更新离散帧间的时序演化，解决帧-事件异步融合的时序错位问题；跨模态局部加权融合模块根据模态可靠性自适应调整空间注意力，为多模态融合在模糊/低光下的鲁棒性提供可复用思路。
TLMA：缓解弱标签信息对视频异常检测的影响
TLMA: Mitigating the Impact of Weakly Labeled Information for Video Anomaly Detection
把正常视频中的困难片段当作锚框样本，用对比学习与多示例学习联合拉开异常片段与锚框的投影距离，可直接迁移到其他只有视频级弱标签的时序定位任务（如暴力片段定位、关键事件检测）。
TGTrack：面向统一单目标跟踪的时序生成式学习
TGTrack: Temporal Generative Learning for Unified Single Object Tracking
把「预测未来帧特征」作为自监督辅助任务来训练跟踪器，并用时间词元显式编码帧位置；这套生成式时序监督可直接迁移到任何需要建模帧间动态的视觉跟踪或视频表征学习框架中。
TF-CADE：面向零样本时序动作检测的前景集中文本-视频对齐
TF-CADE: Foreground-Concentrated Text-Video Alignment for Zero-Shot Temporal Action Detection
提出前景集中的文本-视频对齐方法，通过动作集中聚合和基于确定性的置信度重加权，提升零样本时序动作检测中动作类别的语义区分度，可复用于其他需要细粒度文本-视频对齐的视频理解任务。
基于时空因果推理的流式视频犯罪预测
Streaming Video Crime Anticipation with Spatio-Temporal Causal Reasoning
将实体间的隐式动态关系显式建模为时空因果超图，并以流式模块接入 VLM，为视频时序推理提供了一种可复用的因果结构注入方式，可用于任何需要预测未来事件或建模实体交互的视频理解任务。
StreamReady：学习在长流式视频中何时回答与回答什么
StreamReady: Learning What to Answer and When in Long Streaming Videos
提出了一种基于证据窗口的时序就绪度机制，可集成到流式视频理解模型中，实现证据出现时及时回答，避免过早或过晚响应。
Stitch-a-Demo：从多步描述构建视频演示
Stitch-a-Demo: Creating Video Demonstrations from Multistep Descriptions
把「多步文本描述→连贯视频演示」建模为跨片段检索与拼接问题，其弱监督数据构造与难负样本设计可直接迁移到视频检索、程序性视频理解与图文对齐任务中。
SpikeTrack：基于脉冲神经网络的高性能节能事件相机目标跟踪
SpikeTrack: High-performance and Energy-efficient Event-Based Object Tracking with Spiking Neural Network
把纯脉冲驱动的 SNN 骨干与 DI-LIF 自适应整数激活结合，用于事件相机单目标跟踪；其 MSST 训练范式（多搜索序列配单模板）可作为事件数据上时序依赖建模与低功耗推理的可复用方案。
频谱手术刀：通过频率选择性滤波放大相邻动作差异的骨骼动作分割方法
Spectral Scalpel: Amplifying Adjacent Action Discrepancy via Frequency-Selective Filtering for Skeleton-Based Action Segmentation
把频域选择性滤波当作可插拔模块，用于放大相邻动作在频谱上的差异，可直接迁移到其他需要锐化时序边界的密集预测任务（如视频动作分割、在线时序定位）。
面向模态缺失 RGBT 跟踪的时空条件去噪 Transformer
Spatio-Temporal Conditional Denoising Transformer for Modality-Missing RGBT Tracking
把扩散式条件去噪引入多模态跟踪的特征重建：用长短期时序上下文作为条件，把可用模态的噪声特征逐步去噪成时序一致的多模态表征，并用噪声调制适配机制在单一网络内统一缺失/完整模态两种输入，可直接迁移到其他模态缺失的多模态融合任务。
SkillSight：基于注视的高效第一人称技能评估
SkillSight: Efficient First-Person Skill Assessment with Gaze
把注视信号作为第一人称视频理解的额外模态，并用教师-学生蒸馏把多模态模型压缩成仅注视输入的轻量模型，为可穿戴设备上的低功耗视觉感知提供了可复用的范式。
SkeletonContext：面向零样本骨架动作识别的骨架侧上下文提示词学习
SkeletonContext: Skeleton-side Context Prompt Learning for Zero-Shot Skeleton-based Action Recognition
将大语言模型生成的上下文语义通过提示词学习注入骨架编码器，为骨骼动作识别提供实例级语义定位，可迁移到其他需要跨模态对齐的时序动作理解任务。
面向电影预告片生成的自步自纠正掩码预测
Self-Paced and Self-Corrective Masked Prediction for Movie Trailer Generation
把「掩码预测 + 自步掩码比例 + 逐步高置信填充再重掩码」的自纠正解码思路引入视频镜头序列生成，可迁移到视频摘要、镜头排序、故事线重组等时序编辑任务，替代易误差传播的「先选后排序」两阶段范式。
从极性看运动：面向事件相机动作识别的极性知识增强框架
Seeing Motion Through Polarity for Event-based Action Recognition
把事件相机的正负极性显式解耦为运动线索，并用大语言模型对极性诱导的运动动态做语义推理，再与视觉特征对齐；这套『极性分支+语言推理+跨模态对齐』的做法可迁移到任何事件流或高动态场景的时序理解任务。
看见对话：第一人称视频中的交流情境识别
Seeing Conversations: Communication Context Identification in Egocentric Video
把「谁在和拍摄者交流」定义为一个可学习的第一人称视频任务，并用跨个体的长时序注意力建模社交动态；对做第一人称视频、多人交互理解或助听/AR 场景的人，这是一个可直接复用的任务设定与基线模型。
SMV-EAR：将时空多视图表征学习引入高效事件相机动作识别
SMV-EAR: Bring Spatiotemporal Multi-View Representation Learning into Efficient Event-Based Action Recognition
把事件流沿 H/W 轴投影成平移不变的稠密多视图表征，并用双分支动态融合建模样本级互补性，这套 SMVRL 设计可直接迁移到任何需要从稀疏异步事件中提取时空特征的视觉任务（如事件相机上的检测、跟踪、姿态估计）。
SDTrack：基于脉冲神经网络的事件相机跟踪基线
SDTrack: A Baseline for Event-based Tracking via Spiking Neural Networks
把全脉冲驱动的 SNN 骨干网络与 Transformer 跟踪头组合成端到端跟踪管线，并用 Global Trajectory Prompt 把全局轨迹信息聚合进事件帧，为在事件相机上做低功耗时序跟踪提供了可复用的架构与事件帧构造思路。
SAVA-X：基于场景自适应视角对齐与双向跨视角融合的第一人称到第三人称模仿误差检测
SAVA-X: Ego-to-Exo Imitation Error Detection via Scene-Adaptive View Alignment and Bidirectional Cross View Fusion
面向第一人称与第三人称异步、长度不匹配视频的跨视角时序对齐与融合框架，其视图条件自适应采样和双向交叉注意力可直接迁移到 egocentric-exocentric 视频配对、跨视角动作定位与步骤级质量评估等任务。
SAIL：面向弱监督稠密视频描述学习的相似度感知引导与描述间增强
SAIL: Similarity-Aware Guidance and Inter-Caption Augmentation-based Learning for Weakly-Supervised Dense Video Captioning
用跨模态相似度作为弱监督信号来引导高斯掩码聚焦语义相关区域，并用 LLM 合成描述通过掩码间机制提供辅助对齐信号，这套思路可直接迁移到其他只有粗粒度标注的视频时序定位任务（如弱监督动作定位、视频片段检索）。
SAGE：用强化学习训练智能任意跨度智能体进行长视频推理
SAGE: Training Smart Any-Horizon Agents for Long Video Reasoning with Reinforcement Learning
把长视频推理建模为「按需决定看多少帧、看几轮」的多轮智能体决策，并用 RL 后训练教会模型自适应选择时间跨度；对做视频问答/长视频理解的人，这套 any-horizon 调度 + 合成数据管线可直接迁移到自己的视频 LLM 上以降低帧数开销。
RiskProp：碰撞锚定的自监督风险传播用于早期事故预测
RiskProp: Collision-Anchored Self-Supervised Risk Propagation For Early Accident Anticipation
提出碰撞锚定的自监督风险传播范式，用未来帧预测作为软目标监督当前帧，并设计自适应单调约束，可复用于其他需要早期预警的时序视频任务（如异常检测、动作预测）。
重思指代多目标跟踪中的两阶段“跟踪即指代”：让它重新强大
Rethinking Two-Stage Referring-by-Tracking in Referring Multi-Object Tracking: Make it Strong Again
对做视觉语言跟踪的人，这篇给出了一个可复用的两阶段范式：用采样式 Conditioning Hook 把语言线索注入检测特征，再用 Pairwise Correspondence Decoder 主动建模轨迹与表达的对应关系，替代 CLIP 相似度匹配，从而在低训练成本下达到最优性能。
重建引导的槽课程：解决视频目标中心学习中的目标过分割问题
Reconstruction-Guided Slot Curriculum: Addressing Object Over-Fragmentation in Video Object-Centric Learning
针对槽注意力模型在视频目标中心学习中普遍存在的过分割问题，提出按重建误差逐步扩展槽容量的课程式训练策略，并配合结构感知损失与循环推理提升时序一致性；这套「按需分配表征容量」的思路可直接迁移到任何使用固定槽/查询数量的视频或图像密集预测模型（如 DETR 类查询、视频实例分割）。
基于验证器引导伪标签的真实世界点跟踪
Real-World Point Tracking with Verifier-Guided Pseudo-Labeling
用元模型逐帧评估多个预训练跟踪器的预测可靠性来筛选伪标签，这一思路可直接迁移到其他缺乏真值标注的视频任务（如光流、关键点跟踪）的域自适应微调中。
RAGTrack：基于检索增强生成的语言感知RGBT跟踪
RAGTrack: Language-aware RGBT Tracking with Retrieval-Augmented Generation
将检索增强生成（RAG）引入RGB-T跟踪，利用MLLM自动生成文本描述并构建动态知识库，通过时序语言推理增强目标建模，为多模态跟踪中的外观变化和背景干扰问题提供了可复用的语言引导思路。
视觉-语言对齐辅助的原型动作推理用于第一视角动作预测
Prototypical Action Reasoning Facilitated by Vision-Language Alignment for Egocentric Action Anticipation
将无约束的时序预测转化为由视觉-语言模型学到的解耦动词/名词原型引导的条件预测，这一「语义锚点+原型检索」思路可迁移到其他高不确定性的时序预测任务（如轨迹预测、事件预测）。
保护以适配：面向少样本动作识别的正交子空间控制与排序负提示词课程
Protect to Adapt: Orthogonal Subspace Control with Ranked Negative-Prompt Curriculum for Few-Shot Action Recognition
OSC 把低秩更新约束在预训练骨干网络主语义子空间的正交补上，这一做法可直接迁移到任何 VLM 微调场景（如少样本图像分类、视频检索），在适配下游任务的同时抑制灾难性遗忘；RNC 用大语言模型生成按难度排序的负提示词，为少样本 episode 中负样本不足、决策边界模糊的问题提供了一种可复用的数据构造思路。
面向未对齐 RGBT 跟踪的渐进式多线索对齐
Progressive Multi-cue Alignment for Unaligned RGBT Tracking
把跨模态对齐参数（中心偏移、尺度变换、全局精修）拆成渐进三阶段，并用难度感知路由器按对齐复杂度选择专家，这套「渐进解耦 + 动态选专家」的思路可直接迁移到其他存在空间错位的多模态/多传感器融合任务（如可见光-深度、可见光-事件相机跟踪）。
渐进式跨模态因果干预用于长时动作识别
Progressive Cross-Modal Causal Intervention for Long-Term Action Recognition
将因果推断中的前门调整和反事实干预引入视觉语言模型，用于去除长时动作识别中的视觉混淆和动作共现幻觉，为视频理解中的跨模态对齐提供可复用的去偏框架。
ProgTrack：一种基于渐进匹配策略的多目标跟踪算法
ProgTrack: A Multi-Object Tracking Algorithm with Progressive Matching Strategy
针对无人机视角下的多尺度目标、遮挡、镜头抖动和高相似度目标等挑战，提出分阶段渐进匹配策略，可复用于其他跟踪场景中的困难样本匹配与外观-运动融合。
Polyphony：基于扩散与交替视觉Transformer及语义条件的双手动作分割
Polyphony: Diffusion-based Dual-Hand Action Segmentation with Alternating Vision Transformer and Semantic Conditioning
针对双手动作分割中的梯度失衡与语义混淆问题，提出交替训练双手机制与语义特征条件化，可迁移到其他多流/多主体视频时序建模任务中，缓解主导流垄断梯度的问题。
PFGNet：一种用于高效时空预测学习的全卷积频率引导外周门控网络
PFGNet: A Fully Convolutional Frequency-Guided Peripheral Gating Network for Efficient Spatiotemporal Predictive Learning
用像素级频率引导门控动态调制感受野、以可分离一维大核卷积替代循环/注意力做时空建模，为视频预测与时空表征提供了一种全并行、低 FLOPs 的卷积骨干设计思路。
光流匹配：将光流重构为连续输运动力学
Optical Flow Matching: Reframing Optical Flow as Continuous Transport Dynamics
把光流从逐帧离散匹配重构为学习时变速度场的连续输运问题，其三角速度协同（TVS）几何约束与 Euler ODE 求解可直接替换现有光流网络的位移回归头，为时序平滑与跨数据集泛化提供新思路。
一次光流，任意时刻帧：面向事件相机视频帧插值的双向扭曲框架
One-Shot Flow, Any-Time Frame: A Bidirectional Warping Framework for Event-Based Video Frame Interpolation
提出一次性计算双向光流轨迹、任意时刻查询光流的框架，对事件相机视频插值和高效光流估计有直接参考价值，可复用于需要任意时刻运动表示的时序任务。
遮挡感知 SORT：面向鲁棒多目标跟踪的遮挡观测
Occlusion-Aware SORT: Observing Occlusion for Robust Multi-Object Tracking
OA-SORT 把遮挡状态显式建模成可复用的代价修正项（OAO）与动量平滑（BAM），且无需训练即可插入 SORT 类跟踪器；做 MOT 数据关联时可直接借用其高斯图遮挡估计来缓解位置代价混淆，并作为提升现有跟踪器 HOTA/IDF1 的通用后处理。
OASIS：面向流式视频推理的按需分层事件记忆
OASIS: On-Demand Hierarchical Event Memory for Streaming Video Reasoning
把无限增长的流式视频历史组织成分层事件结构，并用「先短上下文推理、不确定时再按高层意图检索」的按需检索策略替代稠密帧采样或嵌入相似度检索，可直接迁移到长视频问答与流式 MLLM 的记忆管理模块。
无需真实异常：多模态大语言模型赋能的零样本视频异常检测
No Need For Real Anomaly: MLLM Empowered Zero-Shot Video Anomaly Detection
利用多模态大语言模型和伪异常采样器实现零样本视频异常检测，为开放世界场景下的异常理解提供了无需真实异常数据的训练范式；基于反向注意力的词元压缩方法可复用于降低时空稀疏模式的计算开销。
无需标注、无需前瞻：结合经典先验的无监督在线视频稳定
No Labels, No Look-Ahead: Unsupervised Online Video Stabilization with Classical Priors
将经典三阶段稳定流程（轨迹估计-平滑-补偿）嵌入无监督在线框架，并用多线程缓冲解决端到端学习的可控性与效率问题；对做视频时序处理、在线流式视觉任务的人，这是一个可复用的「经典先验+无监督」范式，同时 UAV-Test 多模态航拍数据集可支撑夜间遥感场景的稳定化评测。
大范围真实场景下视角-地面交互的多视角人群跟踪 Transformer
Multi-view Crowd Tracking Transformer with View-Ground Interactions Under Large Real-World Scenes
将相机视角与地平面之间的双向交互建模为 Transformer 注意力，可迁移到多相机 BEV 感知与跨视角融合的跟踪/定位任务；同时提供的大场景长时序多视角数据集可用于检验模型在遮挡与尺度变化下的泛化能力。
面向事件相机运动分割的运动边界归属
Moving Border Ownership for Event-based Motion Segmentation
把运动分割重新表述为「运动边界归属」预测：用有符号距离场编码边界朝向与前景归属，并以 Blender 合成事件提供完美监督，使模型在真实事件数据集上零样本迁移；这一「边界归属场 + 合成监督」思路可迁移到事件相机上的光流、遮挡推理与目标分割。
MoVie：利用人体运动拓宽动作检测的视野
MoVie: Broaden Your Views with Human Motion for Action Detection
将人体骨架序列作为运动先验，通过可学习运动字典分解和正交变换正则化，引导RGB视频特征学习，为视频动作检测提供了一种融合异构模态的通用思路。
错误归因：第一人称视频中的细粒度错误理解
Mistake Attribution: Fine-Grained Mistake Understanding in Egocentric Videos
提出细粒度错误归因任务，将错误定位到指令语义角色、不可逆时间点（PNR）及空间位置，并给出自动构建大规模错误样本的数据引擎 MisEngine 与统一注意力模型 MisFormer，可复用于第一人称视频的时序定位与视觉语言理解。
记忆很重要：用可学习查找表提升免训练零样本时序动作定位
Memory Matters: Boosting Training-Free Zero-Shot Temporal Action Localization with a Learnable Lookup Table
把跨视频的历史知识以可学习查找表的形式累积起来，替代逐视频独立的测试时自适应，可直接迁移到其他免训练 VLM 视频/图像任务（如零样本动作识别、开放词表检测）中做在线记忆增强。
匹配每一对以跟踪每一个点：PairFormer 用于全对跟踪与视频轨迹场
Matching Every Pair to Track Every Point: PairFormer for All-Pairs Tracking and Video Trajectory Fields
PairFormer 将视频中所有帧对的密集对应关系一次性预测为全对轨迹场，这种全对跟踪的设定和 CorrBank 可学习相关银行的设计，为视频运动分析提供了新的可复用范式，可直接用于光流、点跟踪和视频编辑中的轨迹提取。
MVLM：基于视觉-语言边界置信度与记忆门控跟踪的无模板跟踪
MVLM: Template-Free Tracking via Vision-Language Margin Confidence and Memory-Gated Tracking
用视觉-语言相关性与时序记忆构造 margin 置信度，并据此在紧凑 ROI 搜索与全局重定位之间动态切换，为无模板、纯语言指定的跟踪提供了一种可复用的置信度门控搜索策略。
MV-TAP：在多视角视频中跟踪任意点
MV-TAP: Tracking Any Point in Multi-View Videos
把单目点跟踪扩展到多相机系统，用相机几何加跨视角注意力聚合多视角时空信息，可直接复用于多视角动态场景的轨迹估计与几何一致性建模。
MS-Temba：用于理解长未剪辑视频的多尺度时序 Mamba
MS-Temba: Multi-Scale Temporal Mamba for Understanding Long Untrimmed Videos
把 Mamba 状态空间模型用空洞（dilated）SSM 扩展到多尺度时序建模，为长视频密集重叠动作的边界定位提供了可复用的骨干设计；做长时序视频理解或需要长程依赖+细粒度细节兼顾的任务时，可借鉴其多尺度 SSM 分块与轻量融合器结构。
MPL：面向少样本动作识别的匹配引导原型学习
MPL: Match-guided Prototype Learning for Few-shot Action Recognition
把匹配结果反向注入原型学习，并用关键帧级匹配细化原型，为少样本视频任务提供了一种「匹配-原型」联合优化的可复用范式；其跨样本注意力聚合器也可迁移到其他需要类内共享模式聚合的小样本视频设定。
META：面向长视频理解的工具轨迹自适应元进化
META: Meta Evolution of Tool Trajectory Adaptation for Long-Video Understanding
对做长视频理解的视觉研究者，这篇提供了免训练、模型无关的智能体框架：把重复出现的多步工具调用轨迹抽象为可复用的宏工具，并把失败轨迹蒸馏成结构化失败先验来约束后续工具选择，从而在不更新参数的情况下缩短推理链、提升时序感知能力，可直接套用到现有 VLM 的长视频问答流程上。
基于单句自然语言描述的实例跟踪学习
Learning to Track Instance from Single Nature Language Description
提出动态词元聚合模块，通过锚框词元选择模板帧中的目标词元并与语言词元融合，为视觉语言跟踪提供了一种无需边界框标注的自监督训练范式，可复用于其他多模态时序任务。
学习拒答：面向视频时序定位中难负相关查询的拒答感知强化微调
Learning to Refuse: Refusal-Aware Reinforcement Fine-Tuning for Hard-Irrelevant Queries in Video Temporal Grounding
把 GRPO 强化微调引入 VTG，用格式、拒答-IoU、解释、查询纠正四类奖励让 LVLM 学会对语义相近但实际无关的难负查询输出拒答，可直接迁移到任何需要「无目标即拒答」的定位/检索式视觉任务。
从噪声监督中学习：面向弱监督视频异常检测的去噪-纠偏框架
Learning from Noisy Supervision: A Denoising-Debiasing Framework for Weakly Supervised Video Anomaly Detection
把「高训练损失的样本即噪声」这一观察做成动态丢弃率，再用视觉语言模型对被丢弃片段做二次判别，可作为一种即插即用的去噪-纠偏模块迁移到任何基于 MIL 的视频时序定位任务（如弱监督动作定位、视频级标签的时序 grounding）。
通过循环一致掩码预测学习跨视角物体对应
Learning Cross-View Object Correspondence via Cycle-Consistent Mask Prediction
提出基于条件二值分割的跨视角物体对应框架，利用循环一致性作为自监督信号，并支持测试时训练，可复用于视频中的物体跟踪与跨视角定位任务。
面向高效视频无监督域自适应的可学习运动聚焦 Token 化
Learnable Motion-Focused Tokenization for Effective and Efficient Video Unsupervised Domain Adaptation
把视频帧切成 patch token 后学习丢弃低运动、冗余的背景 token，只保留运动丰富的动作相关 token 再做域自适应——这个可学习 token 选择模块可以直接插到任何视频 Transformer 的域自适应或高效推理流程里，用来同时压掉背景域偏移和计算量。
LaDy：基于拉格朗日动力学先验的网络，通过时空调制实现骨架动作分割
LaDy: Lagrangian-Dynamic Informed Network for Skeleton-based Action Segmentation via Spatial-Temporal Modulation
把拉格朗日动力学中的广义力作为显式物理先验注入骨架序列建模，并用能量一致性损失约束学习，这一思路可迁移到其他需要区分「运动学相似但动力学意图不同」的时序密集预测任务（如细粒度动作识别、步态相位分割）。
面向弱监督视频异常检测的混合记忆专家联合学习通用与多样模式
Joint Learning of General and Diverse Patterns with Mixture of Memory Experts for Weakly-Supervised Video Anomaly Detection
提出混合记忆专家框架，每个专家有内部记忆做细粒度特化、共享外部记忆聚合通用知识，并用大语言模型构建异常原型引导专家路由，为视频异常检测中同时建模泛化性与多样性提供了可复用的路由与记忆机制。
交互式跟踪：一种具有记忆增强适应的人机回环范式
Interactive Tracking: A Human-in-the-Loop Paradigm with Memory-Augmented Adaptation
提出交互式跟踪新范式，允许用户通过自然语言指令实时引导跟踪器，并引入动态记忆机制从反馈中学习；为视觉跟踪研究提供了新基准和基线，推动人机协同的跟踪系统发展。
带用户反馈的交互式情景记忆
Interactive Episodic Memory with User Feedback
把用户反馈作为条件注入到长视频时序定位中，并用轻量对齐模块（FALM）免去昂贵的序列优化，可直接迁移到视频检索、时刻定位等需要多轮交互修正的任务。
实例级视觉主动跟踪与遮挡感知规划
Instance-level Visual Active Tracking with Occlusion-Aware Planning
提出实例级原型初始化与在线增强机制，结合置信度感知卡尔曼滤波提升相似干扰物下的判别力；并利用条件扩散生成避障轨迹实现遮挡恢复，为视觉跟踪中的主动规划提供可复用范式。
面向深度伪造定位的不一致性感知多模态薛定谔桥
Inconsistency-aware Multimodal Schrodinger Bridge for Deepfake Localization
把薛定谔桥当作无需显式加噪去噪的一致性度量与跨模态信息选择器，用一致性统计非对称分配桥步数，可迁移到任何需要抑制单侧噪声的多模态时序定位任务。
面向多目标跟踪的超图-状态协同推理
Hypergraph-State Collaborative Reasoning for Multi-Object Tracking
将超图与状态空间模型结合，通过对象间协同推理增强运动估计，为遮挡和噪声下的多目标跟踪提供可复用的时空建模框架。
基于音视频实体凝聚与智能体搜索的层次化长视频理解
Hierarchical Long Video Understanding with Audiovisual Entity Cohesion and Agentic Search
提出层次化视频索引（全局摘要-场景-片段-实体）与智能体检索机制，可复用于长视频问答中的动态信息检索与叙事重建；音视频实体级对齐为多模态视频理解提供语义一致性约束。
面向弱监督动作分割的层次化动作学习
Hierarchical Action Learning for Weakly-Supervised Action Segmentation
论文提出层次化因果生成过程与稀疏转移约束，利用高层动作潜变量变化慢的特性来抑制过分割，这种时序潜变量对齐思路可迁移到其他视频时序任务（如动作识别、时序动作定位）中。
HieraMamba：基于层次化锚框-Mamba池化的视频时序定位
HieraMamba: Video Temporal Grounding via Hierarchical Anchor-Mamba Pooling
用 Mamba 的选择性扫描在多个尺度上生成紧凑锚框 token，替代固定窗口或过度下采样，为长视频时序定位保留细粒度时序保真度；锚框条件与分段池化对比损失可作为通用的多尺度时序表征学习手段迁移到其他视频-语言任务。
GeoMotion：以潜空间4D几何重新审视运动分割
GeoMotion: Rethinking Motion Segmentation via Latent 4D Geometry
用4D场景几何重建（如π³）提供的可靠相机位姿与时空先验，替代显式对应估计，通过注意力在潜特征上隐式解耦物体运动与相机运动，为动态场景运动分割提供免迭代、免预处理的前馈范式。
生成式点跟踪与预测
Generative Point Tracking and Forecasting
把点跟踪与运动预测统一为视频条件下的因果流匹配生成问题，通过切换视觉信号在跟踪与预测间切换，为长时点轨迹建模提供了可复用的生成式框架。
Gamba：面向动作识别的基于 Mamba 的动态图拓扑学习图卷积网络
Gamba: Mamba-based graph convolutional network with dynamic graph topology learning for action recognition
用 Mamba 状态空间模型替代自注意力来学习骨架序列的动态邻接矩阵，为视觉中需要建模长程关节/节点关系的时序任务提供了一种计算复杂度更低的图拓扑学习范式。
GMT：面向多相机多目标跟踪的有效全局框架
GMT: Effective Global Framework for Multi-Camera Multi-Target Tracking
提出全局轨迹-目标匹配框架，用跨视角特征一致性增强模块减少视角间特征差异，并将同一目标在不同视角的历史编码为全局轨迹，为多相机跟踪提供可复用的全局关联思路。
GEM-TFL：通过EM引导分解与时序精炼弥合弱监督与全监督伪造定位之间的差距
GEM-TFL: Bridging Weak and Full Supervision for Forgery Localization through EM-Guided Decomposition and Temporal Refinement
论文提出的基于EM的弱监督时序定位框架和图提案精炼模块，可迁移到视频动作定位、视频异常检测等需要从视频级标签学习帧级预测的视觉任务中。
从检测到关联：为多目标跟踪学习判别性目标嵌入
From Detection to Association: Learning Discriminative Object Embeddings for Multi-Object Tracking
针对端到端 DETR 类跟踪器中共享检测嵌入类间相似度过高的问题，用空间/时序/身份三个适配器在检测特征上做显式精炼，可直接迁移到任何 DETR 式跟踪或关联头中提升跨帧实例判别性。
从对比到一致性：重新思考基于事件的连续时间光流估计
From Contrast to Consistency: Rethinking Event-based Continuous-Time Optical Flow Estimation
用时空结构一致性替代纯对比度最大化来约束事件相机光流，并给出从监督点约束到自监督流形正则的课程式混合训练流程，可直接迁移到事件相机或高帧率视频的连续运动估计。
Frame2Freq：面向细粒度视频理解的频谱适配器
Frame2Freq: Spectral Adapters for Fine-Grained Video Understanding
把图像预训练骨干迁移到视频时，用沿时间轴的 FFT 做频带特定嵌入，替代单尺度时域适配器，可复用于任何需要多时间尺度运动建模的视频下游任务（如细粒度动作识别、时序定位）。
第一人称视频中的 3D 扫描路径预测
Forecasting 3D Scanpaths in Egocentric Video
将注视点预测从 2D 图像序列扩展到第一人称视频中的 3D 笛卡尔坐标序列，利用 Transformer 融合视频帧、头部姿态和过去 3D 注视点，为 AR/VR 中的意图预测和交互提供可复用的时序建模框架。
Fine-VAD：通过渐进式跨粒度学习实现细粒度视频异常检测
Fine-VAD: Towards Fine-Grained Video Anomaly Detection via Progressive Cross-Granularity Learning
把粗粒度异常检测与细粒度类别标签通过渐进式跨粒度对齐统一到一个框架里，可直接迁移到视频动作细粒度识别、时序事件分类等需要多级监督信号的任务。
基于视觉几何Transformer的快速空间跟踪
Fast Spatial Tracking with Visual Geometry Transformer
提出一种基于前馈视觉几何Transformer的实时空间点跟踪框架，其双分支嵌入设计与交互模块可复用于其他需要全局-局部特征融合的视频理解任务，如视频目标分割与光流估计。
面向弱监督时序情感定位的人脸引导情感边界增强
Face-Guided Sentiment Boundary Enhancement for Weakly-Supervised Temporal Sentiment Localization
将细粒度人脸特征作为情感刺激线索引入多模态交互，并用点级对比学习与边界感知伪标签生成来缓解弱监督下的边界模糊问题，为视频时序定位中的弱监督边界增强提供了可复用的思路。
基于事件的视觉形变测量
Event-based Visual Deformation Measurement
将事件流的时间稠密运动线索与帧的空间稠密估计融合，并用分片线性化（AIS）与邻域贪心优化抑制稀疏噪声事件带来的运动歧义和长期跟踪误差累积，为高动态场景下的稠密对应与形变跟踪提供了可复用范式。
通过强化学习实现长视频理解中的高效帧选择
Efficient Frame Selection for Long Video Understanding via Reinforcement Learning
把「选哪些帧」当作可学习策略，用分层奖励的强化学习训练轻量选择器，可直接插到任意 MLLM 前端替代均匀采样，是长视频理解中低成本提升输入质量的通用手段。
EV-CGNet：共视聚焦的3D引导2D事件关键点检测网络
EV-CGNet: Co-visible Focused 3D-guided 2D Event Keypoint Detection Network
事件相机关键点检测与描述子学习可复用于跨模态/跨视角匹配任务；其共视区域聚焦检测思路可迁移到任何需要抑制非重叠区域误检的匹配流程（如宽基线立体、多相机标定）。
EMMA：从多模态数据中提取多个物理参数
EMMA: Extracting Multiple physical parameters from Multimodal Data
把视频轨迹当作动力学观测，用 Liquid Time-Constant 网络在连续时间模型里联合估计显式物理参数与隐变量，为视觉研究者提供了一条不依赖分割掩码或可微渲染、直接从原始视频反演系统物理量的可复用路径。
ELVIS：增强低光照以用于暗光视频实例分割
ELVIS: Enhance Low-Light for Video Instance Segmentation in the Dark
把低光照视频的时空退化建模成可无监督合成的数据管线，再用免标定的退化估计网络加增强解码器检测头把退化从内容特征中解耦，可直接迁移到任何在暗光视频上失效的时序感知模型（VIS、跟踪、光流）做域自适应。
面向多目标跟踪的双层适应：从经验与直觉构建测试时校准
Dual-level Adaptation for Multi-Object Tracking: Building Test-Time Calibration from Experience and Intuition
把 TTA 从逐帧适应扩展到跨帧、跨视频的时序与身份关联层面：用瞬时记忆做快速关联预测，再用历史测试视频积累的经验对预测做再校准，可直接迁移到任何在线跟踪器（如 ByteTrack、BoT-SORT）的推理阶段以缓解外观/运动/类别分布漂移。
面向视觉跟踪的抗漂移时序先验
Drift-Resilient Temporal Priors for Visual Tracking
DTPTrack 提供了一种即插即用的时序可靠性校准与动态先验合成机制，可集成到现有跟踪器中抑制漂移，其 TRC 和 TGS 模块的设计思路可迁移到其他需要聚合历史帧信息的视频任务。
分解与迁移：思维链提示增强的对齐用于开放词表时序动作检测
Decompose and Transfer: CoT-Prompting Enhanced Alignment for Open-Vocabulary Temporal Action Detection
利用大语言模型的思维链推理将动作标签分解为阶段级描述，并通过文本引导的前景过滤和自适应阶段对齐实现细粒度视觉-文本匹配，为开放词表时序动作检测提供可迁移的语义先验。
DarkShake-DVS：低光照与相机抖动条件下基于事件相机的人体动作识别
DarkShake-DVS: Event-based Human Action Recognition under Low-light and Shaking Camera Conditions
用事件相机+IMU的非线性warping做运动补偿，把6-DoF抖动下的低光事件流重建为稳定输入，再接四阶段混合时空特征提取；对做事件视觉、视频动作识别和抖动视频稳定化的研究者提供了可复用的补偿前端与配套基准。
DarkAct：面向多模态低光照动作识别的 RGB-热成像数据集与融合框架
DarkAct: A RGB-Thermal Dataset and Fusion Framework for Multimodal Low-Light Action Recognition
提供了低光照下配对的 RGB-热成像视频基准，并给出以人体为中心表征增强加自适应跨模态融合的 DarkAct-Net 框架，可直接迁移到夜间监控、机器人等需要跨模态融合的时序动作识别场景。
DETACH：面向外视角视频与环境传感器的分解式时空对齐与分阶段学习
DETACH : Decomposed Spatio-Temporal Alignment for Exocentric Video and Ambient Sensors with Staged Learning
论文把外视角视频分解为空间与时序分量，并用在线聚类把环境传感器的隐式通道激活转成显式空间原型，从而建立跨模态空间视觉定位；这套「分解+原型视觉定位+加权对比」的流程可直接迁移到视频-音频、视频-IMU 等跨模态时序对齐任务，尤其是需要抑制假负样本的细粒度时序对齐场景。
D2FANet：基于双域特征聚合网络的视频目标检测增强
D2FANet: Enhancing Video Object Detection with Dual-Domain Feature Aggregation Network
将频域特征聚合引入视频目标检测，通过分解高低频分布捕捉周期性运动模式，并与时空域重要性引导聚合协同，为视频时序建模提供新思路。
面向组合视频检索的组合式变换推理
Compositional Transformation Reasoning for Composed Video Retrieval
把组合式图文查询拆成实体、动作、场景三个推理维度，并用多模态大模型做成对候选推理，这套零样本流程可直接迁移到视频-文本检索与视频时序变化理解任务中，避免依赖噪声三元组训练。
CoWTracker：以变形替代相关性的跟踪方法
CoWTracker: Tracking by Warping instead of Correlation
用基于当前跟踪估计的特征变形（warping）替代代价体做跨帧匹配，把复杂度从空间分辨率的平方降到线性，并用 Transformer 对所有轨迹做联合时空推理；做视频对应、光流或长程跟踪的工作可以直接复用这一迭代变形框架，并把它当作统一稠密点跟踪与光流估计的骨干设计。
CineSRD：利用视觉、声学与语言线索的开放世界视觉媒体说话人日志
CineSRD: Leveraging Visual, Acoustic, and Linguistic Cues for Open-World Visual Media Speaker Diarization
将说话人日志任务扩展到影视剧等开放世界视觉媒体场景，提出视觉锚框聚类注册说话人、结合音频语言模型检测说话人轮次的统一多模态框架，为长视频中跨模态异步条件下的说话人标注提供了可复用的技术路线。
CVA：面向视频时序定位的上下文感知视频-文本对齐
CVA: Context-aware Video-text Alignment for Video Temporal Grounding
QCD 的「只混入语义无关片段」的替换池构造方式，可直接迁移到任何视频-文本对比学习（如视频检索、片段定位）中，用来避免 query-agnostic 混合带来的假负样本；CBD 损失在时序边界处强制语义一致性，是提升边界敏感任务的通用手段。
BriMA：面向多模态持续动作质量评估的桥接模态适应
BriMA: Bridged Modality Adaptation for Multi-Modal Continual Action Quality Assessment
针对多模态持续动作质量评估中模态缺失问题，提出记忆引导的桥接插补模块和模态感知回放机制，可复用于视频理解中模态不完整或动态变化的持续学习场景。
以上下文提示与噪声学习增强自监督跟踪
Boosting Self-Supervised Tracking with Contextual Prompts and Noise Learning
提出一种仅在训练阶段生效的双模态上下文关联机制：先用实例图像块提示引导前向/后向跟踪分支学习，再逐步注入上下文噪声扰动特征以增强鲁棒性，推理时无额外开销，可直接迁移到其他自监督视频跟踪框架。
超越扫描路径：动态场景中基于图的注视模拟
Beyond Scanpaths: Graph-Based Gaze Simulation in Dynamic Scenes
把注视轨迹当作自回归动力系统逐帧展开，并用异构图Transformer建模注视、交通目标与道路结构的关系，为动态场景中的注意力/显著性预测提供了可复用的时序建模范式。
超越显式语言：面向通用目标跟踪的即插即用视觉到语言建模
Beyond Explicit Language: Plug-and-Play Visual-to-Linguistic Modeling Toward General Object Tracking
提出一个即插即用的文本反转模块，将模板和搜索区域的视觉特征映射到CLIP文本嵌入空间，无需显式语言输入即可为跟踪器注入语言引导，可复用于其他视觉任务以隐式利用语言先验。
超越二值对比：用过渡锚框建模连续骨骼动作空间
Beyond Binary Contrast: Modeling Continuous Skeleton Action Spaces with Transitional Anchors
把二值对比目标替换为在动作流形上构造过渡锚框并做多层级几何校准，可直接迁移到任何需要建模连续类间过渡的自监督表征学习任务（如细粒度动作、时序分割边界）。
BHCast：从单张模糊图像以长期预测解锁黑洞等离子体动力学
BHCast: Unlocking Black Hole Plasma Dynamics from a Single Blurry Image with Long-Term Forecasting
把「单张模糊图 → 长时间稳定自回归视频预测」当作科学成像的逆问题求解器：多尺度金字塔损失让自回归预测同时完成超分与演化，且长时程不发散；这套「预测-再推断」的解耦思路可迁移到其他分辨率受限的时序观测（如天文、显微、遥感）中做特征提取与参数反演。
异步时序建模与双智能体框架用于流式密集视频描述
Asynchronous Temporal Modeling with Two-Agent Framework for Streaming Dense Video Captioning
提出双智能体异步框架，用轻量SMM检测事件边界、LMM生成描述，避免阈值依赖，为流式视频理解提供可复用的事件触发与描述生成范式。
AnthroTAP：用真实世界运动学习点跟踪
AnthroTAP: Learning Point Tracking with Real-World Motion
用 SMPL 网格顶点投影 + 光线投射遮挡判定 + 光流一致性过滤，从真实人体运动视频自动生成点跟踪伪标签，为视觉研究者提供了一条绕开昂贵人工标注、可扩展到其他可形变物体类别的真实数据监督构造思路。
面向视觉目标跟踪的高效词元压缩框架
An Efficient Token Compression Framework for Visual Object Tracking
提出可学习的自适应词元压缩器与分层交互编码器，可复用于其他需要处理多帧历史模板的视觉跟踪或视频理解任务，以降低词元冗余和计算量。
基于自反思多模态理解的智能体式视频摘要
Agentic Video Summarization via Self-Reflecting Multimodal Understanding
把视频摘要从「特征提取+帧级重要性回归」的判别式范式，换成由 MLLM 驱动的「摘要—验证—反思」闭环智能体流程，视觉研究者可直接复用其自反思验证环节来提升关键帧选择的可解释性与自适应能力，而无需训练新网络。
自适应容量自回归视觉跟踪
Adaptive Capacity Autoregressive Visual Tracking
把扩散模型当作时序难度预测器，用来动态切换高/低容量推理模式，为视觉跟踪提供了一种「按需计算」的自回归框架；该思路可迁移到任何需要在线调节推理开销的时序视觉任务。
AdaSpot：将分辨率用在关键处以实现精确事件定位
AdaSpot: Spend Resolution Where It Matters for Precise Event Spotting
提出一种无监督、任务感知的区域选择策略，在低分辨率全局特征引导下自适应选取每帧高分辨率区域，为视频时序动作定位中平衡精度与效率提供了可复用的思路。
面向微手势识别的主动推理：EFE 引导的时序采样与自适应学习
Active Inference for Micro-Gesture Recognition: EFE-Guided Temporal Sampling and Adaptive Learning
把期望自由能（EFE）当作时序片段选择的主动采样准则，并用预测不确定性给样本加权，这套「不确定性驱动的片段选择+加权」可直接迁移到细粒度动作识别、微表情、以及低质量视频中的关键帧/关键片段选取。
AXG-Reasoner：基于视觉语言模型的长任务视频错误检测与解释
AXG-Reasoner: Error Detection and Explanation in Long Task Videos with Vision-Language Models
用冻结 VLM 配合动作执行图（AXG）与时序动作分割模型，把长视频切分成细粒度子动作片段，再用少量关键帧和增强提示逐段查询 VLM 做错误检测与解释；这套「TAS 分段 + 图对齐 + 稀疏关键帧查询」的流程可直接迁移到长视频中稀疏事件定位与细粒度时序推理任务。
AR2-4FV：面向固定视角视频长期定位的锚定指代与重识别
AR2-4FV: Anchored Referring and Re-identification for Long-Term Grounding in Fixed-View Videos
把固定视角视频中静态背景结构蒸馏成离线锚框库，作为文本查询对齐的持久语义记忆，可在目标长时间离场后重新捕获；这种「背景即记忆」的思路可迁移到长时视频目标跟踪与语言引导定位中，缓解逐帧指代漂移与重识别不可靠的问题。