第 7 届 LSVOS RVOS 挑战赛解：SaSaSa2VA

指导自然语言表达式对视频进行对象分割和跟踪的referred video object segmentation（RVOS）需要对 appearance 和 motion 进行细粒度理解。基于将多模态大语言模型（MLLM）与视频分割模型 SAM2 结合的 Sa2VA，我们识别到了限制分割性能的两个关键瓶颈：稀疏帧采样和依赖于单个 [SEG] token 处理整个视频。我们提出了分段增强和选择性平均化的 Sa2VA（Segmentation Augmented and Selective Averaged Sa2VA，SaSaSa2VA）以解决这些问题。在第 7 届 LSVOS 挑战赛（RVOS 轨道）上，SaSaSa2VA 实现了 $\mathcal{J\&F}$ 的 67.45，位列第一，超过了第二名的 2.80 分。这一结果和消融实验表明，有效的分割增强和测试时集成显著提升了以 grounded MLLM 为 RVOS 的表现。代码已发布在 Sa2VA 仓库：https://github.com/bytedance/Sa2VA。