HIMMEL长视频理解框架技术报告发布

Haopeng Jin 等作者发布 HIMMEL 技术报告，提出一种面向长视频理解的分层视频-语言框架。该框架将语义与运动能力分配到两条独立路径：稀疏语义锚帧送入 ViT，运动信息则由轻量压缩域三流适配器从运动矢量图、残差图和 I-frame 上下文分支中提取为运动 token，再注入 LLM。 报告称，这一设计旨在让语义与运动容量沿不同路径分配。目前公开信息为技术报告本身，未给出与其他方法的对比结果或实际应用效果。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。