音视频实体对齐

基于音视频实体凝聚与智能体搜索的层次化长视频理解

Hierarchical Long Video Understanding with Audiovisual Entity Cohesion and Agentic Search

提出层次化视频索引（全局摘要-场景-片段-实体）与智能体检索机制，可复用于长视频问答中的动态信息检索与叙事重建；音视频实体级对齐为多模态视频理解提供语义一致性约束。