CapMem：基于字幕的第一人称视频情境记忆基准
英文标题：CapMem: A Benchmark for Caption-Based Episodic Memory in Egocentric Video
随着可穿戴智能设备的快速发展，AI 助手在第一人称视频中构建情境记忆已成为核心需求。然而，当前视觉-语言模型受限于有限的输入帧数、高昂的视觉 Token 开销以及长上下文检索失效等严峻瓶颈。论文 CapMem 在此类现实约束下，系统探索了利用文本字幕实现第一人称长程视频情境记忆的可行性与评测基准，为高效、低成本的端侧可穿戴 AI 记忆系统研发提供了重要参考。
打开原文相关 4 · 机会 0
2.1 KB
640 B
612 B
380 B
9.1 KB
32.7 KB
22.8 KB
24.2 KB
34.7 KB
中文
arXiv 编号：arXiv:2609.17688v1
发布类型：new
摘要
可穿戴助手需要在第一人称（自中心）视频中具备情境记忆（Episodic Memory）能力，但当前的视觉-语言模型普遍面临有限的帧预算、不断增长的视觉 Token 成本以及长上下文检索失败等挑战。在这些实际限制下，本研究探讨了基于文本字幕的方法在第一人称视频情境记忆中的可行性与表现。
English / 原文
BibTeX formatted citation
×