Coverage-Driven Adaptive Keyframe Selection for Video Understanding
面向视频理解的覆盖驱动型自适应关键帧选择
专题命中 视频理解 ：video understanding(title,abstract)；分类 cs.CV
AI总结 本文针对视频理解中LVLM处理大量帧计算开销大的问题，提出无需训练的CSES关键帧选择器，通过覆盖驱动的自适应策略减少需评分和选择的帧数量，同时保持准确率并提升选择速度。
AI 大模型
视频大模型
视频理解、视频生成、视频语言模型和时序视觉推理。
1. 视频理解 6 篇
ObjectStream: Latent Objects as Memory Anchors for Streaming Video Understanding
ObjectStream：将潜在对象作为记忆锚点用于流视频理解
专题命中 视频理解 ：video understanding(title,abstract)；分类 cs.CV
AI总结 提出无需训练的 ObjectStream 框架，以潜在对象为记忆锚点组织流视频证据，使 Video-LLMs 无需改动即可推理对象相关内容，在多基准上实现性能提升且内存与推理效率显著优化。
WaveZip: Wavelet-Driven Space-Time Decoupling for Video Token Condensation
WaveZip：用于视频令牌压缩的小波驱动时空解耦
机构 * Media Analytics and Computing Lab, Xiamen University（厦门大学媒体分析与计算实验室） ； Department of Computer Science, University of Rochester（罗切斯特大学计算机科学系）
专题命中 视频理解 ：video understanding(abstract)；long video(abstract)；分类 cs.CV
AI总结 针对长视频理解中视觉令牌计算成本高的问题，提出WaveZip框架，利用离散小波变换分离时空信号，无需特定任务训练，能集成到LVLMs提升推理效率，在长视频理解基准测试中表现优异。
Comments 13 pages, 10 figures
CRAFT: Compression via Recursive Adaptive Fusion of Video Tokens for Vision-Language Models
CRAFT：面向视觉语言模型的基于视频令牌递归自适应融合的压缩方法
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV
AI总结 针对视觉语言模型视频令牌压缩效率与适应性的权衡问题，提出CRAFT方法，通过解耦令牌选择与融合实现高效压缩，在8倍压缩时保留97%主干准确率且性能优于现有方法。
Comments 11 pages, 5 figures
Rethinking Video Token Compression with a Global Codebook: Learning Once, Compressing Everywhere
重新思考基于全局码本的视频令牌压缩：一次学习，处处压缩
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV
AI总结 该研究提出即插即用框架ONCE，通过离线学习全局码本实现视频令牌的高效压缩，在保持性能的同时降低推理延迟，提升了视频大语言模型的效率与通用性。
Attention-Steered Vision-Language Models for Sign Language Translation
用于手语翻译的注意力引导视觉-语言模型
机构 * Rochester Institute of Technology（罗切斯特理工学院） ； University of Virginia（弗吉尼亚大学） ； National Technical Institute for the Deaf（国家聋人技术学院）
专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV
AI总结 针对视觉-语言模型在手语翻译中时空视觉定位差的问题，提出AttnSign框架，通过空间注意力监督和RL运动节奏引导提升性能，在How2Sign和OpenASL基准上表现优于现有方法。
