视频理解

视频帧间变化常混淆相机运动与物体运动。本文提出SDM，通过主/残差令牌结构化解耦动态。在ProbeMotion基准上，其表现优于DeltaTok并接近VGGT。注意：长程外推存在漂移，且依赖合成数据弱监督。

本文介绍UniD模型，解决统一密集预测需共标注数据的痛点。通过训练Task Specialist并利用Latent Projector蒸馏至Unified Backbone，UniD从Disjoint Data中学习深度、法线、语义等八种任务。实验显示，UniD在NYUv2深度估计AbsRel达0.059，超越DINOv3-H；视频时序一致性超越DICEPTION。需注意分割任务需轻量级微调，且时序性能依赖视频训练数据。

本文提出ConsiSpace框架，针对多模态大模型在视频空间推理中缺乏几何建模、冗余证据多及跨视角不稳定等问题，设计了几何一致性记忆（GCM）和统一一致性自监督强化学习（UC-SSRL）。GCM通过门控写入和融合减少冗余，UC-SSRL利用自监督奖励提升稳定性。实验显示在VSI-Bench和OSI-Bench上显著超越基线，且在长视频场景下显存占用和推理时间大幅降低。需注意GCM依赖几何基础模型准确性，噪声输入可能影响性能。