arXiv cs.AI· Chaohong Guo, Xun Mo, Yongwei Nie, Fei Ma, Xuemiao Xu, Chengjiang Long·· 4 小时前AI 评分24
TAR:用时间锚点约束推理,提升视频时序定位的忠实度
TAR: Temporal Anchor-Constrained Reasoning for Video Temporal Grounding
AI 导读
TAR 提出时间锚点(T-anchor)作为可审计的检查点机制,强制 LVLM 在 Chain-of-Thought 中持续将中间推理锚定到视觉证据并迭代校准时序预测,减少推理与视频内容脱节的幻觉。该方法还引入仅用标准 7B 模型自动采集高质量 CoT 数据的自举范式,摆脱对超大模型的依赖,实验达到 SOTA 并生成忠实、自主、逐步细化的推理轨迹,已被 ECCV2026 接收。
正文 · AI 翻译
摘要:视频时序定位(VTG)旨在定位与自然语言查询相对应的特定视频片段。尽管近期的大型视觉语言模型(LVLM)采用强化学习来生成思维链(CoT),但它们通常仅依赖基于结果的监督。因此,这往往会导致幻觉,使推理过程与视觉内容和最终预测脱节。现有通过依赖更大模型或独立奖励模型的外部监督来缓解这一问题的尝试计算成本高昂,且容易陷入僵化模式。为应对这些挑战,我们提出了 TAR(时序锚点约束推理),该框架引入时序锚点(T-anchor)作为一种透明且可审计的检查点机制。T-anchor 在 CoT 内强制进行渐进式细化,促使模型不断将其中间思考建立在视觉证据之上,并迭代校准时序预测,从而显著提升推理过程的忠实性与自主性以及最终准确率。此外,我们引入了一种自举范式,仅使用标准的 7B 模型即可自动采集高质量的 CoT 数据,消除了对超大模型的依赖。大量实验表明,TAR 达到了最先进的性能,并生成了忠实、自主且逐步细化的推理轨迹。
| 评论: | 被 ECCV2026 接收 |
| 主题: | 计算机视觉与模式识别(cs.CV);人工智能(cs.AI) |
| 引用为: | arXiv:2508.07683 [cs.CV] |
| (或针对此版本的 arXiv:2508.07683v3 [cs.CV]) | |
| https://doi.org/10.48550/arXiv.2508.07683 由 DataCite 颁发的 arXiv DOI |
提交历史
来自:Chaohong Guo [查看邮箱]
[v1]
2025年8月11日星期一 06:59:32 UTC(2,172 KB)
[v2]
2026年6月29日星期一 02:15:03 UTC(1,192 KB)
[v3]
2026年11月17日星期二 07:55:57 UTC(1,196 KB)
来源:arXiv cs.AI · arxiv.org