Tag · 3 篇
帧选择
分布 视觉语言模型2视频理解与时序1
01 02 03
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。
ViKey：通过视觉提示增强视频时序理解
ViKey: Enhancing Temporal Understanding in Videos via Visual Prompting
提出一种免训练的视觉提示方法，通过在帧上叠加序号信息增强VideoLLM的时序理解，可复用于任何稀疏采样视频理解流程，缓解帧选择带来的时序推理性能下降。
先分流，再定位：面向长视频理解的按查询类型自适应帧选择
Divide, then Ground: Adapting Frame Selection to Query Types for Long-Form Video Understanding
提出按查询类型（全局/局部）分流的免训练帧选择策略：全局查询用均匀采样、局部查询才启用查询感知检索，可直接嵌入现有 LMM 长视频推理管线，在 256 帧输入下仍稳定提升，为长视频 token 预算分配提供可复用思路。