1.摘要
background
多模态大语言模型（MLLMs）在处理长视频时面临一个核心挑战：它们的上下文窗口（Context Capacity）有限，无法一次性处理视频中的所有帧。因此，现有的视频MLLMs通常要求对视频帧进行采样，例如均匀采样（Uniform Sampling）。这种简便的采样方式很可能会丢失包含关键信息的帧，从而导致模型对视频内容的理解错误，给出不正确的答案。
innovation
1.提出自适应关键帧采样算法 (Adaptive Keyframe Sampling, AKS):作者提出了一个便捷而有效的即插即用（plug-and-play）模块AKS，用于在将视频输入MLLM之前，智能地挑选出信息量最丰富的关键帧。
2.两大核心准则 (Relevance & Coverage): AKS将关键帧选择问题建模为一个优化问题，其核心是最大化两个准则：
相关性 (Relevance):选出的关键帧应该与用户提出的问题（Prompt）高度相关。
覆盖度 (Coverage):选出的关键帧集合应该能全面地覆盖整个视频时间轴上的重要信息，避免因为只关注局部高相关性片段而丢失全局信息。
2. 方法 Method
整体 Pipeline:AKS作为一个即插即用的预处理模块，被插入到常规的视频MLLM流程中。
输入:一个长视频V和一个文本困难Q。
AKS模块处理:
开始，对视频进行初步采样（如1fps），得到一系列候选帧。
使用一个轻量的视觉语言模型（如CLIP或BLIP）计算每个候选帧Ft与问题Q之间的相关性分数r(Q, Ft)。
AKS算法根据所有帧的相关性分数，执行一个递归的“判断-分裂”（Judge-and-Split）策略，来决定最终选择哪些帧。
输出:AKS模块输出M个被选中的关键帧的索引。
后续流程:这些被选中的关键帧被送入MLLM的视觉编码器，转换成Visual Tokens，再与问题文本一起输入LLM，最终生成答案。
各部分详解:AKS的核心是其自适应优化算法，它旨在平衡“相关性”和“覆盖度”。
相关性计算 r(Q, Ft):
输入:问题Q的文本嵌入，和某一帧Ft的图像嵌入。
做法:使用一个预训练好的、计算成本较低的图文匹配模型（如BLIP的ITM模块）来计算两者之间的相似度得分。得分越高，代表该帧与问题越相关。
输出:一个标量分数。
覆盖度估计与自适应采样 (ADA算法):
输入:所有候选帧的相关性分数序列，以及要采样的总帧数M。
做法:采用一种分层、递归的优化方法。
初始化:将整个视频时间轴 [0, T) 视为一个“桶”（bin）。
判断:在当前的桶内，计算所有帧的平均分s_all和得分最高的M帧的平均分s_top。如果s_top远超s_all（超过一个阈值S_thr），说明这个桶内的信息非常集中，此时算法会直接选择分数最高的Top-M帧（偏向相关性）。
分裂:否则，说明信息分布较散，算法会将当前的桶均分为两个子桶，并将采样名额M均分给这两个子桶（偏向覆盖度）。
递归:对每个子桶重复“判断-分裂”的过程，直到达到最大递归深度或分配完所有采样名额。
输出:最终被选中的M个关键帧的索引。
3. 实验 Experimental Results
实验材料集:
LongVideoBench:一个用于长上下文、交错视频语言理解的基准。
VideoMME:一个全面的多模态LLM视频分析评估基准。
主要实验结论:
与SOTA方法对比:
实验目的:验证AKS能否提升现有视频MLLMs的性能。
结论:将AKS应用于三个不同的基线模型（Qwen2-VL, LLaVA-OV, LLaVA-Video）后，在两个数据集上都取得了一致且显著的准确率提升。例如，LLaVA-Video-7B结合AKS后，性能甚至超过了一些采用更多帧的专有闭源模型（如GPT-4V）。
不同采样策略的诊断分析:
实验目的:比较AKS (ADA) 与其他采样策略，如均匀采样(UNI)、只看相关性的顶峰采样(TOP)和只看覆盖度的分桶采样(BIN)的效果。
结论:AKS (ADA) 在两个数据集上的综合表现最好。这证明了它成功地结合了TOP策略（适用于问题答案集中在视频某一刻的场景）和BIN策略（适用于答案分布在视频多个时间点的场景）的优点。
消融实验:
实验目的:探究不同组件对性能的影响，如候选帧的采样频率、计算相关性分数的视觉语言模型选择等。
结论:
即使将候选帧的采样频率从1fps降低到0.25fps，性能也只有轻微下降，证明AKS可以在保证效果的同时降低计算开销。
不同的VL模型（CLIP, BLIP）在不同信息集上各有优劣，这与数据集的问题类型和模型的预训练资料有关。
4. 总结 Conclusion
对于上下文窗口有限的MLLM来说，在处理长视频时，一个智能的视觉信息预过滤（pre-filtering）阶段至关重要。本文提出的AKS算法，通过同时考虑与用户难题的相关性和对视频内容的覆盖度，提供了一个很有效的预过滤方案，能显著提升模型对长视频的理解能力。
