ReVEAL：从多模态大模型中挖掘角色感知潜在视觉证据，赋能推理型视频目标分割
英文标题：ReVEAL: Eliciting Role-Aware Latent Visual Evidence from MLLMs for Reasoning Video Object Segmentation
论文提出了针对推理型视频目标分割（ReVOS）任务的全新方法 ReVEAL，该任务旨在根据隐式查询在整段视频中精准分割指定目标。现有基于多模态大语言模型（MLLM）的主流方案普遍面临高成本跨模型对齐问题，导致 MLLM 的训练过程被迫与下游分割任务紧密耦合。ReVEAL 探索从 MLLM 内部提取角色感知的潜在视觉证据，为降低多模态对齐开销提供了新思路。该成果对视频理解智能体及精细化视频编辑工具的开发具有重要参考价值。
打开原文相关 1.6 · 机会 0
2.0 KB
640 B
612 B
380 B
24.2 KB
34.7 KB
中文
arXiv 编号：arXiv:2610.41257v1
发布类型：新论文（new）
摘要
推理型视频目标分割（Reasoning Video Object Segmentation, ReVOS）需要根据视频中贯穿始终的隐式查询指令来分割特定目标。现有的基于多模态大语言模型（MLLM）的方法通常需要代价高昂的跨模型对齐，并将 MLLM 的训练与下游分割任务紧密绑定。
BibTeX 格式引用
×
English / 原文
BibTeX formatted citation
×