来源：公众号“AI上分搭子”
原文链接：https://mp.weixin.qq.com/s/M8hMiiMzQeIcRwwPe7eZ3Q
Dense Video Object Captioning，简称 DVOC。
它想做的事很细：
这篇 CVPR 2026 论文走了一条很干净的路线。
先造数据。
作者用 Gemini 2.0 Flash 给 LVIS 和 LV-VIS 生成 object-level captions，得到两个新数据集：LVISCap和LV-VISCap。
再训模型。
CaptionFormer 用 OVFormer / Mask2Former 做 clip-level segmentation，再把同一个物体在多个片段里的 query 聚合起来，交给 BLIP-2 风格的 captioning head。
结果也比较清楚：
普通的视频检测任务，大多回答：
画面里有什么？
Tracking 再多问一句：
这个物体下一帧去哪了？
DVOC 要求更细。
它希望模型对视频里的每个物体都交出一份“小报告”：
比如一个人拿着削笔刀，模型不能只说“person”。
它最好能描述：
一个人正用手拿着并转动一个黑色削笔刀。
听起来只是多一句话。
但训练时会很贵。
因为每个视频都有多个物体，每个物体又跨越多个时间点。要给这些轨迹逐条写 caption，人工标注成本会迅速爆炸。
已有方法通常绕着走：
能跑。
但监督信号没有真正合在一起。
CaptionFormer 抓住的，就是这个数据缺口。
Figure 2 是这篇论文最值得先看的图。
它讲数据怎么来。
LVIS 和 LV-VIS 本来就有物体 mask、box 和 category。
缺的是 caption。
作者没有从零人工写 caption，而是把已有标注转成一个 VLM 能理解的问题：
请描述这个被框出来的物体。
做法并不绕。
先从 mask 提取 bounding box。
再把目标物体的 box 画到视频帧上。
然后把这些信息写进 prompt：
最后送给 Gemini 2.0 Flash，生成 object-level caption。
这样一来，原来的 segmentation 数据集被扩展成 DVOC 训练集：
这一步把问题换了一个形态：不再死磕昂贵人工标注，而是想办法稳定地产生细粒度监督。
Figure 3 是方法图。
CaptionFormer 大致分三段。
第一段：clip-level 视觉理解
视频被切成若干 clip。
每个 clip 先经过 OVFormer / Mask2Former，输出 object queries。
这些 query 会对应：
第二段：跨 clip 跟踪
同一个物体会出现在不同 clip 里。
模型用 Hungarian matching 做 query matching，把这些片段接成轨迹。
这一步让模型能处理“物体消失又出现”的情况。
第三段：给轨迹写 caption
对每条物体轨迹，CaptionFormer 会从多个 clip 里取 query。
再做 temporal aggregation。
最后把聚合后的 video-level query 送到 BLIP-2 风格的 LLM decoder，生成一句 caption。
最后输出的是：
一条物体轨迹 + mask / box + caption。
DVOC 需要的几件事，在同一个模型里接上了。
这里保留三条公式。
不用细抠符号，看它们分别在做什么就够了。
- 把 mask 变成 VLM 能看的视觉提示
意思是：
第个物体的 bounding box 被画到第帧上。
VLM 看到的不是原始视频，而是“这个框里的物体”。
- 把多个 clip 的 query 聚合成一条轨迹表示
同一个物体在不同 clip 里会有不同 query。
CaptionFormer 用检测分数做权重，把它们汇总起来。
这就是 temporal aggregation。
- 训练时把视觉和语言监督放在一起
这里不用纠结某个 loss 的细节。
关键在于，captioning loss 也会回到 object query 上。
这让 caption 监督不只是最后接一个文字生成头，而是参与塑造物体表示。
Table 3 是 VidSTG 上的主结果。
先看几组数字。
VidSTG 里，CapA 的提升尤其明显。
synthetic object captions 不是装饰性的文字补丁，它补的是 DVOC 最缺的监督。
再看 VLN。
这张表还有一个细节。
加入 mask loss 后，DetA 从 48.7 到 50.1，AssA 从 89.7 到 92.7。
也就是说，把 DVOC 从 box 扩展到 segmentation mask，不只是形式上更细，指标也受益。
BenSMOT 上看 CIDEr。
BenSMOT 主要关注人。
CaptionFormer 在这里的 CIDEr 提升很大，说明它对“物体轨迹描述”本身更有优势。
还有一个实际成本信息也值得留意。
作者写到，相比 DVOC-DS 的2032 GPU hours，他们的方法对应208 GPU hours。
如果这个数字在复现中能站住，CaptionFormer 不只是效果更好，也更容易被后续工作拿来用。
Ablation 部分可以看四个地方。
Table 1 很直观。
只给单帧或多帧，人工评分只有26.8 / 27.1。
加入 category labels 后，直接到80.7。
再加 bbox coordinates、bbox area 和 few-shot examples，最终到85.1。
这个差距很说明问题。
VLM 本身很强，但它不会自动知道你到底想描述哪个物体。
框、类别、面积、上下文，这些提示都在帮模型把注意力落到目标轨迹上。
SwinB 设置下：
图像数据给规模。
视频数据给时间和轨迹语境。
两者合起来，模型表现最好。
Figure 4 显示，CapA 和 LVISCap captions 数量呈 log-linear 相关。
换成更直白的话：
继续生成更多 caption，可能还有提升空间。
当然，前提是 caption 质量不能塌。
视频里的动作通常不是一帧能讲完的。
多个 clip 聚合后，captioning 的信息更完整。
Table 8 还有一个小惊喜。
加入 captioning loss 后，LV-VISCap 上 video instance segmentation 的 mAP 从31.7到34.2。
caption 监督反过来帮了视觉 query。
这也是本文一个挺有意思的副作用。
CaptionFormer 最值得记住的点，是它把 DVOC 缺的监督补齐了。
每个物体不再只有 mask、box、category。
它还有一条跨时间的 caption。
有了这份数据，模型就可以围绕 object query 同时学习：
这条路线的实用性很强。
先用强 VLM 批量生成细粒度监督。
再训练一个更专门、更可评估的视频模型。
对于长视频理解、视频编辑、机器人和交互式检索，这种“轨迹 + 描述”的输出会很有用。
代码 / 项目页：
论文正文写明：code 和 generated annotations 会在项目页提供。
