Tag · 2 篇
视频摘要
01 02
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。
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。