Tag · 6 篇
指代视频目标分割
VIRST：面向时空分割的视频指令推理助手
VIRST: Video-Instructed Reasoning Assistant for SpatioTemporal Segmentation
将分割感知的视频特征通过时空融合注入视觉语言主干，并用时序动态锚框更新器在大运动、遮挡与重现下维持稳定时序线索，为指代视频分割与推理式分割提供可复用的端到端范式。
面向流式指代视频分割的大语言模型方法
Towards Streaming Referring Video Segmentation via Large Language Model
把图像级指代分割模型通过语义嵌入复用与在线掩码一致性感知扩展成流式视频分割，无需额外参数即可在单卡上以 7 FPS 流式推理，为实时指代视频分割与 MLLM 的在线部署提供可复用范式。
SPARROW：在像素级视频多模态大模型中学习空间精度与时序指代一致性
SPARROW: Learning Spatial Precision and Temporal Referential Consistency in Pixel-Grounded Video MLLMs
针对视频 MLLM 中静态 [SEG] 词元缺乏时序上下文导致的漂移与身份切换问题，提出目标特定跟踪特征（TSF）注入时序对齐的指代线索，并用 [BOX]/[SEG] 双提示解码融合几何先验与语义定位；这套即插即用设计可直接迁移到任意视频 MLLM 的像素级指代任务上。
Long-RVOS：面向长时指代视频目标分割的综合基准
Long-RVOS: A Comprehensive Benchmark for Long-term Referring Video Object Segmentation
Long-RVOS 提供了长时指代视频目标分割的基准和评估指标，可直接用于测试模型在遮挡、消失重现和镜头切换下的时序建模能力；其基线 ReferMo 融合运动信息与局部到全局架构，为长视频 RVOS 提供了可复用的设计思路。
InterRVOS：交互感知的指代视频目标分割
InterRVOS: Interaction-Aware Referring Video Object Segmentation
将交互关系显式建模引入指代视频目标分割，要求分别分割动作执行者与目标对象，并设计了交互感知特殊 token 与注意力掩码损失；对做视频理解、指代分割和多模态推理的研究者，提供了可复用的角色区分分割范式与配套数据集。
DeRVOS：解耦一致轨迹生成与多模态理解用于指代视频目标分割
DeRVOS: Decoupling Consistent Trajectory Generation and Multimodal Understanding for Referring Video Object Segmentation
将 RVOS 解耦为预训练实例轨迹生成与多模态理解两个分支，并用 TAIS 模块做跨帧对齐与隐式轨迹选择，为视频分割中轨迹一致性与语言对齐的分离建模提供了可复用范式。