近日，國際計算機視覺大會（ICCV 2025）舉辦了第七屆大型視頻目標分割挑戰(zhàn)賽（LSVOS Challenge），傳音TEX AI團隊憑借自主研發(fā)的創(chuàng)新技術(shù)方案，在復(fù)雜視頻目標分割和語言指引視頻目標分割兩個賽道中均榮獲全球第二名，擊敗眾多國內(nèi)外強隊，充分展示了團隊在復(fù)雜視頻理解與多模態(tài)視頻目標分割領(lǐng)域的深厚積累與世界級競爭力。

ICCV是由IEEE（電氣與電子工程師協(xié)會）每兩年舉辦一次的研究大會，與計算機視覺模式識別會議(CVPR)和歐洲計算機視覺會議(ECCV)并稱為計算機視覺領(lǐng)域的三大頂級會議。LSVOS Challenge 作為國際計算機視覺領(lǐng)域的重要賽事之一，旨在推動視頻目標分割技術(shù)的創(chuàng)新與落地應(yīng)用，為多模態(tài)視頻理解、視頻編輯等方向的發(fā)展提供重要的學(xué)術(shù)研究與產(chǎn)業(yè)落地參考。本次賽事吸引了來自清華大學(xué)、牛津大學(xué)、上海交通大學(xué)、上海人工智能實驗室、漢陽大學(xué)、南京理工大學(xué)、香港中文大學(xué)（深圳）、武漢大學(xué)、加利福尼亞大學(xué)默塞德分校、南洋理工大學(xué)、德國亞琛工業(yè)大學(xué)、荷蘭埃因霍溫理工大學(xué)、網(wǎng)易等國內(nèi)外知名機構(gòu)團隊參賽。

復(fù)雜視頻目標分割任務(wù)旨在在跨越數(shù)百至數(shù)千幀的長時復(fù)雜視頻中，持續(xù)追蹤并精確分割特定目標，即使在目標多次消失重現(xiàn)、外觀劇烈變化、小尺寸目標、重度遮擋等困難場景下仍需保持時序一致性；語言指引視頻目標分割則需根據(jù)自然語言描述在視頻中定位并分割目標，既要理解外觀信息，還需對動作、時序和多模態(tài)語義進行匹配。兩個任務(wù)均具有高度不確定性與挑戰(zhàn)性，考驗算法在真實場景中的魯棒性、泛化能力及跨模態(tài)理解水平。本屆比賽分別使用 MOSE(長視頻+復(fù)雜場景分割)與 MeViS(動作描述驅(qū)動的目標分割)等高難度數(shù)據(jù)集進行評測，對參賽方案的整體表現(xiàn)提出了極高要求。

在 VOS 賽道中，傳音TEX AI團隊在SAM2Long 框架基礎(chǔ)上引入偽標簽增強的領(lǐng)域自適應(yīng)訓(xùn)練策略（如圖所示），先采用 SAM2Long（基礎(chǔ)模型來自 SAM2）生成 MOSE 測試集的高質(zhì)量偽標簽，再與訓(xùn)練集融合重新微調(diào) SAM2 以此縮小域差異。推理階段并行使用概念驅(qū)動的Segment Concept（SeC）模型，并通過級聯(lián)決策機制動態(tài)融合兩路預(yù)測結(jié)果，兼顧長時穩(wěn)定性與外觀變化適應(yīng)性，最終在 MOSE 測試集上取得J&F 0.8616的成績，距離冠軍僅差 0.0021 分。

圖. 傳音TEX AI團隊在VOS任務(wù)上提出的算法技術(shù)方案示意圖

在 RVOS 賽道中，團隊在Sa2VA框架基礎(chǔ)上進行了深度優(yōu)化，提出Video-Language Checker（VLC）利用視覺多模態(tài)大語言模型 Qwen2.5-VL 驗證視頻語義與語言描述的一致性，將測試集進行分類；并設(shè)計Key-Frame Sampler（KFS）將首段連續(xù)采樣與全局均勻采樣結(jié)合，提升捕捉目標和保持時序上下文的能力；最終由強化的 SEG token 驅(qū)動 SAM2 對關(guān)鍵幀進行分割，并將結(jié)果傳播至全視頻，實現(xiàn)時序一致的分割輸出。在未進行額外微調(diào)或偽標簽訓(xùn)練的前提下，該方案在 MeViS 測試集獲得J&F 0.6465，位列第二 。

圖. 傳音TEX AI團隊在RVOS任務(wù)上提出的算法技術(shù)方案示意圖

未來，團隊將進一步將視頻目標分割技術(shù)應(yīng)用到視頻與動圖(live Photos)的目標消除，通過算法智能填補缺失區(qū)域、去除干擾物、恢復(fù)復(fù)雜場景內(nèi)容，實現(xiàn)更加自然流暢的視覺呈現(xiàn)。該能力可賦能視頻編輯、老影片修復(fù)、運動場景遮擋消除及創(chuàng)意特效制作等多樣化應(yīng)用場景，傳音TEX AI 團隊將持續(xù)在視頻理解與目標分割技術(shù)領(lǐng)域攻堅突破，推動全球行業(yè)技術(shù)發(fā)展。