从预测时序感知到证据驱动推理：视频时序 grounding 的 Foresee-to-Ground 框架
计算机视觉与模式识别
2026-05-22 v1
摘要
当前的 Video-LLM 方法用于视频时序 grounding（VTG）通常依赖于从非结构化视觉 token 流中直接生成时间戳，常导致数值脆弱且边界不一致。为此，我们提出 Foresee-to-Ground（F2G），一种将 VTG 重新表述为可验证的 Identify-then-Measure 问题的框架。F2G 集成了预测时序感知与证据驱动推理：它学习边界敏感的时序表示，以构建视频范围的证据池，筛选出候选事件段，并将这些段作为可引用的证据单元暴露给 LLM，将边界预测绑定到显式事件假设上。通过解耦事件识别与精确边界测量，F2G 稳定了 grounding 并使预测可验证。广泛的实验表明，F2G 在各种基准上持续提高 grounding 准确率，能够在不同的 Video-LLM 背板之间实现稳健的迁移，同时保持一般视频理解能力。
引用
@article{arxiv.2605.21973,
title = {Foresee-to-Ground: From Predictive Temporal Perception to Evidence-Driven Reasoning for Video Temporal Grounding},
author = {Zelin Zheng and Xinyan Liu and Ruixin Li and Antoni B. Chan and Guorong Li and Qingming Huang and Laiyun Qing},
journal= {arXiv preprint arXiv:2605.21973},
year = {2026}
}
备注
Accepted by ICML 2026