DIVE:深度搜索迭代视频探索——CVPR 2025 CVRR 挑战赛技术报告
计算机视觉与模式识别
2025-06-30 v1
摘要
在本报告中,我们介绍了在 2025 年复杂视频推理与鲁棒性评估挑战赛(Complex Video Reasoning & Robustness Evaluation Challenge 2025)中获得第一名的获胜方案。该挑战赛旨在评估针对多样化真实视频片段所提问题生成准确自然语言答案的能力,所用基准为复杂视频推理与鲁棒性评估套件(CVRR-ES),包含 214 个独特视频和 2400 个问答对,涵盖 11 个类别。我们的方法 DIVE(Deep-search Iterative Video Exploration)采用迭代推理方法,对每个输入问题进行语义分解,并通过逐步推理与渐进式推断求解。这使得我们的系统能够对即使是最复杂的查询也给出高度准确且符合上下文的答案。在 CVRR-ES 基准上,我们的方法在测试集上达到了 81.44% 的准确率,在所有参赛队伍中名列前茅。本报告详细介绍了我们的方法,并对实验结果进行了全面分析,展示了我们的迭代推理框架在实现鲁棒视频问答方面的有效性。代码已开源,地址为 https://github.com/PanasonicConnect/DIVE。
引用
@article{arxiv.2506.21891,
title = {DIVE: Deep-search Iterative Video Exploration A Technical Report for the CVRR Challenge at CVPR 2025},
author = {Umihiro Kamoto and Tatsuya Ishibashi and Noriyuki Kugo},
journal= {arXiv preprint arXiv:2506.21891},
year = {2025}
}