视频-语言对齐

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。