链式瞳影：基于搜索引导的视频理解的渐进式对象关联推理框架
计算机视觉与模式识别
2026-05-18 v2
摘要
视频理解需要在帧之间识别和推理语义判别性视觉对象，但现有以对象为无关的解决方案难以有效处理随时间发生的显著对象变化。为此，我们提出 Chain-of-Glimpse，一种搜索引导的渐进式对象关联推理框架，显式地将每个推理步骤锚定到特定的视觉证据区域，从而实现组合和多步骤决策。形式地，Chain-of-Glimpse 将视频推理形式化为逐步构建围绕任务相关视觉对象周围的空间锚定痕迹的过程，从而减轻对基于显著性驱动的线索的过度依赖。具体而言，Chain-of-Glimpse 具备搜索引导的控制器，通过采用格式奖励进行强化学习优化，以迭代锚定视觉证据区域并形成可靠的推理轨迹，产生准确且可解释的多步骤决策。广泛的在 NExTQA 内部域和 Video-Holmes、CG-Bench Reasoning、VRBench 等外部域基准上的评估表明，Chain-of-Glimpse 在 diverse video reasoning 任务上实现了持续的性能提升，具备鲁棒性和泛化能力。
引用
@article{arxiv.2604.14692,
title = {Chain-of-Glimpse: Search-Guided Progressive Object-Grounded Reasoning for Video Understanding},
author = {Zhixuan Wu and Quanxing Zha and Teng Wang and Genbao Xu and Wenyuan Gu and Wei Rao and Nan Ma and Bo Cheng and Soujanya Poria},
journal= {arXiv preprint arXiv:2604.14692},
year = {2026}
}