VTrajEmbed视频轨迹文本对齐嵌入模型

2026年10月19日，arXiv Computer Vision 刊出 Ruizhi Chen 等作者的报道，提出 VTrajEmbed 嵌入模型及 Text2Traj-Bench 基准。该模型将视频分解为物体轨迹，并把每条轨迹嵌入与文本对齐，通过检索实现物体级定位。其 Slow-Fast 轨迹编码采用双分支：一支密集采样低分辨率帧以捕捉高频运动，另一支稀疏选取高分辨率帧以提供场景上下文，两支由共享 LLM 主干聚合。报道称，该设计用于文本与视频物体轨迹的对齐检索。目前进展停留在模型与基准的提出阶段，报道未涉及后续实验数据、开源情况或应用落地。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。