Tag · 7 篇
时空建模
超快神经视频压缩
Ultra-Fast Neural Video Compression
提出基于块（chunk）的编码框架，将多帧编码为单一紧凑潜变量并并行解码，配合跨帧交互模块与帧特定解码器，可显著提升视频压缩的吞吐量并建模长期时序相关性；其精简熵编码机制将比特流交互合并为单步，降低解码开销，对视频压缩与高效视频处理有直接参考价值。
PRISM：面向稀疏运动的渐进细化与插入式视频数据集浓缩
PRISM: Video Dataset Condensation with Progressive Refinement and Insertion for Sparse Motion
把视频压缩成极少量关键帧加插值来构造蒸馏数据集，这种「按需插入关键帧」的思路可直接迁移到视频训练数据筛选、高效视频预训练和视频 token 压缩等环节。
面向高分辨率大脑动态的时空神经帧建模
Modeling Spatiotemporal Neural Frames for High Resolution Brain Dynamic
将EEG作为条件信号、以零空间中间帧重建处理不规则采样，把fMRI重建为皮层顶点级连续序列；这套「条件生成+不规则采样补全」思路可迁移到其他跨模态医学时序重建与视觉解码任务。
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。
CHAL：因果引导的分层异常感知学习用于运动红外小目标检测
CHAL: Causal-guided Hierarchical Anomaly-aware Learning for Moving Infrared Small Target Detection
将目标检测转化为背景建模下的异常发现，利用时空神经场学习背景演化模式，并通过因果引导机制抑制背景混杂造成的虚假关联，为弱小目标检测提供了新思路。
Video-LLM 如何回答视频问题的实证研究
An Empirical Study on How Video-LLMs Answer Video Questions
用注意力敲除（temporal/spatial/language-to-video）逐层分析 Video-LLM，揭示视频信息抽取集中在浅层、中间层是关键离群层、时空建模更依赖语言引导的检索而非视频 token 自注意力；这些结论可直接用于剪掉冗余的视频自注意力计算，为 Video-LLM 的推理加速和结构设计提供依据。
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。