CroBIM-V：记忆质量控制的遥感视频指代目标分割
计算机视觉与模式识别
2026-01-21 v1 计算与语言
摘要
遥感视频指代目标分割（RS-RVOS）面临目标显著性弱和动态场景中严重视觉信息截断的挑战，这使得在分割过程中保持有区分性的目标表征极其困难。此外，该领域的进展受到缺乏大规模专用基准的阻碍，而现有模型常受限于有偏差的初始记忆构建，这损害了复杂场景中准确的实例定位，以及无差别的记忆积累，该过程编码了来自遮挡或错误分类的噪声，导致持续的错误传播。本文通过数据和方法的双重贡献推进了RS-RVOS研究。首先，我们构建了RS-RVOS Bench，这是首个大规模基准，包含111个视频序列、约25,000帧和213,000个时序指代注释。与许多表达是在访问完整视频上下文后编写的常见RVOS基准不同，我们的数据集采用严格的因果感知注释策略，其中语言指代仅根据初始帧中的目标状态生成。其次，我们提出了一种记忆质量感知的在线指代分割框架，称为记忆质量控制与分割一切模型（MQC-SAM）。MQC-SAM引入了一个时序运动一致性模块用于初始记忆校准，利用短期运动轨迹先验来纠正结构偏差并建立准确的记忆锚定。此外，它结合了一个具有动态质量评估的解耦注意力记忆整合机制，选择性地更新高置信度语义特征，同时过滤不可靠信息，从而有效防止错误积累和传播。在RS-RVOS Bench上的大量实验表明，MQC-SAM达到了最先进的性能。
引用
@article{arxiv.2601.12076,
title = {CroBIM-V: Memory-Quality Controlled Remote Sensing Referring Video Object Segmentation},
author = {H. Jiang and Y. Sun and Z. Dong and T. Liu and Y. Gu},
journal= {arXiv preprint arXiv:2601.12076},
year = {2026}
}