Locate Anything in Videos: Rethinking Efficient Generative Spatio-Temporal Video Grounding

• 类型：arxiv
• 标识：2608.28192
• 链接：https://arxiv.org/abs/2608.28192
• 主分类：multimodal
• 形态：position
• 被引：0
• 被引来源：Semantic Scholar + OpenAlex
• S2被引：0
• OpenAlex被引：0
• 影响力被引：0
• TLDR：Decoupled Block Attention is introduced, which preserves access to shared video-query context while eliminating cross-box dependencies, together with localization-aware policy optimization for temporal boundaries and spatial geometry, and parallel tube generation is shown to be an efficient and effective alternative to autoregressive localization in videos.
• OpenAlex ID：W7204781081
• OpenAlex DOI：10.48550/arxiv.2608.28192
• DOI：10.48550/arxiv.2608.28192
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://doi.org/10.48550/arxiv.2608.28192
• OpenAlex更新：2026-09-02
• 待LLM分类：否
• 标题中文：在视频中定位任意目标：重新思考高效生成式时空视频定位
• TLDR中文：提出 Decoupled Block Attention，在保留共享 video-query 上下文访问的同时消除跨 box 依赖，并结合用于时间边界与空间几何的 localization-aware policy optimization；并行 tube generation 被证明是视频中 autoregressive 定位的一种高效替代方案。
• 来源文件：
• /inbox/tom/_candidates/2026-08-31-agent-rag-longcontext-candidates.json
• [OpenAlex backfill]
• [S2 enrich]