HIMMEL 分层多流运动编码框架发布

Haopeng Jin 等作者以技术报告形式提出长视频理解框架 HIMMEL，将语义与运动信息的处理分配到两条独立路径：稀疏的语义锚帧送入 ViT 编码，帧间密集区间则由压缩域三流适配器从运动矢量图、残差图和 I-frame 上下文分支中提取运动 token，注入大语言模型。 据作者描述，该框架的目标是让语义和运动能力沿不同路径分配，以应对长视频理解中的信息密度差异。目前该工作以 arXiv 技术报告形式发布，尚未见同行评议或第三方复现结果。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。