RTAformer：面向视频场景图生成的关系转换感知 Transformer

RTAformer 是一个单阶段框架，通过分别建模实体持续性与关系变化来解决视频场景图生成中的"关系语义惯性"问题，即模型在底层关系已改变后仍保留旧预测。该方法将相邻帧关系查询间的校准差异注入谓词更新，并在训练时用跨帧实例对齐减少表征漂移。在 Action Genome 上，其召回率与平均召回率均优于现有方法，且在关系转换帧上的提升大于非转换帧。