Planner-Refiner：面向视频视觉—语言对齐的动态时空细化

基于摘要分析。本文研究视频视觉—语言对齐中复杂语言、动态交互实体及动作链带来的语义鸿沟，提出 Planner-Refiner，通过语言引导的迭代时空表示细化，将视觉表示逐步与语言语义对齐。主要研究对象是视频中的指代表达对象分割（Referring Video Object Segmentation）和时间定位（Temporal Grounding），并非神经信号解码。 机制上，Planner 将复杂语言提示分解为短句链，以安排语言引导顺序；Refiner 处理由名词短语与动词短语组成的短句，引导视觉 token 的自注意力先沿空间、再沿时间展开，完成单步细化。递归系统串联这些步骤并保留已细化的视觉 token 表示，最终交给任务专用输出头生成对齐结果。摘要未给出损失函数、训练方式、具体网络配置或计算成本，不能仅由来源栏目将该方法认定为 State Space Model。 作者报告，在上述两类任务、不同语言复杂度的评估中，Planner-Refiner 优于所比较的先进方法，并提出 MeViS-X benchmark，用于检验长查询处理能力。摘要未提供具体指标、分数、数据划分、基线名单或统计信息，因此性能优势的幅度及适用条件尚未验证；实验协议、消融及复现条件也需查阅全文。 平台推测（待验证）：若 EEG 任务包含与语言描述对应的连续事件链，可假设短句链规划与递归时间细化有助于长指令条件下的事件定位。可复用的是语言分解与逐步更新思路，需将视觉 token、空间注意力和输出头改造为 EEG 时序表示、通道关系建模及事件定位模块，并准备时间对齐的语言—EEG 监督数据。低信噪比、跨被试差异、通道配置变化及小样本可能导致误差逐步累积。一个可证伪的小实验是在固定划分与相同 EEG 编码器下，对比完整指令一次性条件化和短句链递归细化，按指令长度检查事件定位误差；该方案不是论文已验证结果，相关 EEG 工作尚未检索确认。