EvoGround：用于视频时间定位的自演化视频代理
计算机视觉与模式识别
2026-05-14 v1
摘要
视频时间定位 (VTG) 将未剪辑视频和自然语言查询作为输入，并定位最匹配查询的时序时刻。现有方法依赖需要高昂人工标注的大型任务特定数据集。我们引入 EvoGround，一个由两个相互自演化代理组成的框架， proposer 和 solver，能够从原始视频中学习时间定位，而无需任何人工标注数据。proposer 从原始视频中生成查询-时刻对，而 solver 学习将其定位并反馈信号以改进 proposer。通过这一自我强化的强化学习循环，两个代理从相同的 backbone 初始化，并在迭代中相互改进。在 2500 条无标签视频上训练，EvoGround 跨越多个 VTG 基准测试匹配或超越完全监督模型，同时作为无手动标签的领先细粒度视频描述器脱颖而出。
引用
@article{arxiv.2605.13803,
title = {EvoGround: Self-Evolving Video Agents for Video Temporal Grounding},
author = {Minjoon Jung and Byoung-Tak Zhang and Lorenzo Torresani},
journal= {arXiv preprint arXiv:2605.13803},
year = {2026}
}
备注
Project page: https://minjoong507.github.io/projects/EvoGround/