Grounding with Confidence: Controllable Generative Video Temporal Grounding
作者: Jinhao Chen, Benlei Cui, Ruijian Jia, Ziheng Wang, Tianyu Wo, Pengfei Sun, Longtao Huang, Hui Xue, Yitong Yang, Haiwen Hong
分类: cs.CV
发布日期: 2026-09-30
备注: 22 pages, 7 figures; includes appendix
💡 一句话要点
提出可控生成视频时间定位方法以提升事件检索精度
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 视频时间定位 生成模型 置信度评分 候选选择 强化学习
📋 核心要点
- 现有生成模型在视频时间定位任务中缺乏明确的区间级置信度分数，导致候选选择的准确性不足。
- 本文提出通过轻量级置信头对生成的候选区间进行评分，分离候选生成与接受过程，以提高选择的精确性。
- 在OMTG-Bench数据集上，使用该方法的Recall@0.5显著提升，表明其在实际应用中的有效性和灵活性。
📝 摘要（中文）
视频时间定位支持视频搜索、内容审查和自动编辑等应用，通过自然语言定位事件。然而，现有生成模型通常输出时间戳而没有明确的区间级置信度分数来指导候选选择。本文通过在原始解码过程中对单个区间进行评分，将候选生成与接受分开。轻量级置信头读取池化的解码器状态，提供为区间选择训练的显式分数。离线验证器评分监督置信头在固定候选序列上，时间重叠标签在强化学习中适应当前回合。GT锚定的候选池监督和集合级优化训练生成器。实验表明，该方法在固定的OMTG-Bench候选池上，置信度将查询宏观Recall@0.5从9.95%提升至14.42%，在25%预算下从26.48%提升至31.12%。
🔬 方法详解
问题定义：本文解决视频时间定位中缺乏明确置信度分数的问题，现有方法通常只输出时间戳，无法有效指导候选选择。
核心思路：通过引入轻量级置信头，独立评分生成的候选区间，提供显式的置信度分数，旨在提高候选选择的准确性和灵活性。
技术框架：整体架构包括候选生成模块、置信头评分模块和离线验证器。候选生成模块负责生成时间戳，置信头则对每个区间进行评分，离线验证器用于监督置信头的训练。
关键创新：最重要的创新在于将候选生成与接受过程分开，通过置信头提供显式的区间评分，避免了依赖外部验证器，从而提高了推理效率。
关键设计：置信头设计为轻量级网络，读取池化的解码器状态，损失函数结合了离线验证器评分和时间重叠标签，以适应强化学习中的动态调整。具体参数设置和网络结构细节在实验部分进行了详细描述。
🖼️ 关键图片
📊 实验亮点
实验结果显示，在固定的OMTG-Bench候选池上，使用置信度评分后，查询宏观Recall@0.5从9.95%提升至14.42%，在25%预算下从26.48%提升至31.12%。这些结果表明该方法在候选选择中的有效性和实用性。
🎯 应用场景
该研究的潜在应用领域包括视频搜索引擎、内容审查系统和自动视频编辑工具。通过提供更高的定位精度，能够显著提升用户体验和工作效率，未来可能在多媒体内容管理和智能推荐系统中发挥重要作用。
📄 摘要（原文）
Video temporal grounding supports applications such as video search, content review, and automated editing by localizing events described in natural language. Yet existing generative models typically output timestamps without explicit interval-level confidence scores to guide candidate selection. We separate candidate generation from acceptance by scoring individual intervals within the original decoding pass. A lightweight confidence head reads pooled decoder states, providing an explicit score trained for interval selection. Offline verifier scores supervise the head on fixed candidate sequences, and temporal-overlap labels adapt it to current rollouts during reinforcement learning. GT-anchored candidate-pool supervision and set-level optimization train the generator. The resulting scores support ranking, threshold-based selection, and rejection without invoking an external verifier at inference. On a fixed OMTG-Bench candidate pool, confidence raises query-macro Recall@0.5 from 9.95% to 14.42% over generation order at a 10% global return budget, and from 26.48% to 31.12% at a 25% budget. The continuous scores let downstream applications adjust return budgets or acceptance thresholds to match their precision-recall preferences, without regenerating candidate intervals.