长视频理解如何兼顾时间结构与视觉细节?CFD 通过一次字幕与按需帧路由实现预算感知推理

核心贡献

CFD 提出了一种边缘-云协同的长视频理解框架,通过离线构建双轨叙事索引(事件骨架与片段日志)和在线基于 Visual-Need Router 的按需帧检索,在显著降低视觉计算成本的同时保持竞争性准确率。