AD-MIR：用于广告视频理解的结构化推理框架
计算机视觉与模式识别
2026-02-10 v1 人工智能
摘要
理解广告视频的多模态特性对于解读视觉叙事与抽象说服策略之间的复杂关系至关重要。然而，尽管在通用搜索方面表现出色，现有代理往往难以搭建像素级感知与高层营销逻辑之间的认知鸿沟。为此，我们引入 AD-MIR，一个通过结构化推理解码广告意图的框架。该框架采用两阶段架构。第一阶段，结构感知记忆构建阶段，将原始视频转换为结构化数据库，通过整合语义检索与精确关键词匹配实现。这一方法优先考虑细粒度品牌细节（如标志、屏幕文本），同时动态过滤无关背景噪声，以隔离关键主体。第二阶段，结构化推理代理通过迭代询问循环模拟营销专家，将叙事分解以推导隐含的说服策略。关键在于其基于证据的自我纠正机制，通过严格验证特定视频帧来确认这些见解，当视觉支持不足时自动回溯。评估于 AdsQA 数据集，AD-MIR 实现了最先进的性能，相较于最强的通用代理 DVD，在严格准确率上提升 1.8%，在宽松准确率上提升 9.5%。这些结果凸显，有效的广告理解要求将抽象营销策略明确地锚定在像素级证据之上。代码已公开 https://github.com/Little-Fridge/AD-MIR。
引用
@article{arxiv.2602.07625,
title = {AD-MIR: Bridging the Gap from Perception to Persuasion in Advertising Video Understanding via Structured Reasoning},
author = {Binxiao Xu and Junyu Feng and Xiaopeng Lin and Haodong Li and Zhiyuan Feng and Bohan Zeng and Shaolin Lu and Ming Lu and Qi She and Wentao Zhang},
journal= {arXiv preprint arXiv:2602.07625},
year = {2026}
}