AI在实时视频里秒“剪”出你想要的部分！输入文字/图/视频片段，它都能秒懂｜ICCV2025（

1.ai视屏

还在实时视频里找特定事件找半天？最新技术直接开挂了。试想一下，安防监控中，几个人影短暂掠过，利用新技术可以秒级调出这段“可疑聚众”的精准片段。

2.ai在视频中的应用

△图片为AI生成在VR训练场，你戴上VR眼镜练习投篮，提前在手机App输入“定位和这个视频示范（库里完美三分片段）相似的动作”训练开始，每一次出手，眼镜在后台默默分析第一视角视频流当你做出动作、发力、弧线都神似库里的三分时，眼镜立刻就能在虚拟界面高亮标记这个片段。

3.ai智能视频

△图片为AI生成不卖关子，这就是来自深圳北理莫斯科大学、阿德莱德大学的研究团队提出的新任务名叫混合模态在线视频定位（Online Video Grounding with Hybrid-modal Queries, OVG-HQ）。

4.ai怎么弄视频

用大白话说，这项技术能让系统一边直播/录像，一边根据你提供的多种“线索”，包括文字、参考图、示范视频片段或组合等，瞬间在实时视频流中找出并精准裁剪出你关心的完整事件。论文已收录于ICCV2025。

5.视频ai模式

此前方法的缺陷有两个：“离线”是硬伤：主流技术必须等视频录完才能干活，事后分析如同马后炮，无法满足安防“秒级响应”、直播“即时重现”、VR“训练中实时反馈”的刚需“词穷”是软肋：仅靠文字描述（如“聚众”“劈杀”“完美三分”）难精准定义视觉世界的微妙差异。

6.ai里的实时描摹在哪里

动作发力点、光影细节、空间模式……很多时候“只可意会”OVG-HQ是怎么破局的呢？怎么做到的？团队表示，要让系统做到“精准定位 理解多模态”，需跨过两道坎：挑战一：流式场景下的历史知识持续保留模型在实时处理视频流时，必须确保历史关键信息不丢失——否则早期出现的动作线索或场景特征被遗忘，将导致事件起止点误判。

7.ai 生成视频

挑战二：查询模态分布不均同一用户意图可能对应一段5秒视频（信息丰富），也可能仅是一张低分辨率图或简短文字（信息稀疏）强弱模态的显著差异会导致模型过度依赖强模态，无法充分利用弱模态信息，影响多源信息整合精度。

8.ai怎么打开视频

构建能均衡处理所有模态组合的统一模型异常困难

9.ai制作视频

为系统性研究上述问题，团队整理QVHighlights数据，构建首个支持混合模态在线定位的基准集QVHighlights-Unify，扩充四种查询元素：检索图：模拟用户从搜索引擎获取参考图生成图：模拟用户用文生图模型生成参考图

10.ai操作视频

生成片段：模拟用户用文生视频模型生成参考视频互补图文对：模拟用户用图 文共同说明意图（缺一不可）总计71.6K组查询，覆盖8种模态组合，构成首个混合模态在线定位的统一评估基准针对两项挑战，团队提出两个核心组件：。

1、参数化记忆模块（PMB）step 1：记忆当前输入，通过参数即记忆层，将当前输入信息压缩到记忆参数中，并采用重构损失进行自监督学习通过梯度下降更新记忆参数，使其同时保留当前和历史信息step 2：记忆增强处理，利用更新后的记忆参数对当前输入进行增强：先经投影层映射，输入参数即记忆层，再通过层归一化和投影操作，输出记忆增强后的表征供后续模块使用。

2、混合模态蒸馏（Hybrid-modal Distillation）step 1: 为信息量丰富的模态组合（文本 生成片段）训练专家模型step 2: