AR2-4FV：锚定指代与重识别用于固定视角视频中的长期 grounding
计算机视觉与模式识别
2026-03-10 v1
摘要
固定视角视频中的长期语言引导指代具有挑战性：指代目标可能在长时间间隔内被遮挡或离开场景后重新进入，而帧级指代管道随着重识别(ReID)变得不可靠而漂移。AR2-4FV利用背景稳定性实现长期指代。从静态背景结构中提炼出离线锚点银行(Anchor Bank)；在推理阶段，将文本查询与该银行对齐以生成锚点图(Anchor Map)，作为指代目标缺失时持久的语义记忆。锚点基的再进入先验加速目标的再捕获，而轻量级ReID-Gating机制利用锚点帧中的位移线索维持身份连续性。该系统在不假设目标在第一帧可见或显式建模外观变化的情况下预测逐帧边界框。AR2-4FV实现了+10.3%的再捕获率(Re-Capture Rate, RCR)提升和-24.2%的再捕获延迟(Re-Capture Latency, RCL)降低，消融实验进一步确认锚点图、再进入先验和ReID-Gating的优势。
关键词
引用
@article{arxiv.2603.07758,
title = {AR2-4FV: Anchored Referring and Re-identification for Long-Term Grounding in Fixed-View Videos},
author = {Teng Yan and Yihan Liu and Jiongxu Chen and Teng Wang and Jiaqi Li and Bingzhuo Zhong},
journal= {arXiv preprint arXiv:2603.07758},
year = {2026}
}
备注
Accepted to CVPR 2026