RTAformer：视频场景图生成新框架

2026年10月15日，arXiv Computer Vision 刊出论文，提出 Relation-Transition-Aware Transformer（RTAformer），一个面向视频场景图生成（VidSGG）的单阶段框架。该工作针对“关系语义惯性”问题——即底层关系已经改变、模型仍保留旧预测——分别建模实体持续性与关系变化：将相邻帧关系查询之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 数据集上，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。作者为 Jaeyeon Heo、Geuntaek Lim、Yukyung Choi。目前报道仅覆盖论文发布与上述方法、实验结论，未见后续跟进报道。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。