面向 5th PVUW 挑战赛 MeViS-Text 轨道的 AgentRVOS：第 3 步方法
计算机视觉与模式识别
2026-04-28 v1
摘要
本报告描述了以 Sa2VA 为核心、并采用明确代理角色组织的 Ref-VOS 流水线。关键思路在于，Sa2VA 应提供第一密集语义假设，而代理循环则决定该假设应接受、修订还是细化。流水线从目标存在判断阶段开始。如果referred目标在视频中不存在，系统将直接输出零掩码。否则，Sa2VA 接收视频和指代提示，并在整个视频上产生粗糙掩码轨迹。该轨迹被视为语义先验而非最终答案。规划器代理分解查询，时序分区代理识别信息块，侦察代理搜索锚帧，细化代理将可靠的 Sa2VA 掩码转换为盒子和点，以进行 SAM3 传播。批评家对候选轨迹进行评分，反思控制器修复弱假设，协作控制器调和多个代理分支。结果是，Sa2VA 负责密集 grounded 理解，而代理层处理存在验证、时序搜索、置信感知修订和最终掩码细化。
引用
@article{arxiv.2604.22836,
title = {AgentRVOS for MeViS-Text Track of 5th PVUW Challenge: 3rd Method},
author = {Deshui Miao and Chao Yang and Chao Tian and Guoqing Zhu and Kai Yang and Zhifan Mo and Xin Li},
journal= {arXiv preprint arXiv:2604.22836},
year = {2026}
}