还在对着实时视频画面苦苦寻找特定事件？最新技术彻底改变了游戏规则。

想象这样的场景：安防监控中，几个人影一闪而过，利用这项技术能够秒级调取出这段可疑聚集的精确片段。

或者在VR训练场，当你戴上VR眼镜练习投篮时，只需提前在手机App中输入"找出与这个视频示范(库里完美三分片段)相似的动作"。训练过程中，系统会实时分析第一视角视频流，当你做出与库里相似的发力动作和投篮轨迹时，VR界面会立即高亮标记这个精彩片段。

技术突破

这项名为"混合模态在线视频定位(OVG-HQ)"的创新技术，由深圳北理莫斯科大学与阿德莱德大学的研究团队联合研发。它能在视频直播或录制的同时，根据用户提供的文字、参考图片或视频片段等多样化线索，实时识别并精确定位感兴趣的事件片段。

现有技术瓶颈

传统方法存在两大痛点：

• 离线处理：需要等到视频完整录制后才能分析，无法满足安防、直播和VR训练的实时性需求
• 单一模态：仅依靠文字描述难以精确捕捉视觉世界的微妙差异

技术原理

研发团队通过构建参数化记忆模块解决历史知识遗忘问题，采用混合模态蒸馏方法确保模型对不同质量输入信息的均衡处理。

创新点展示

性能表现

实验结果显示，采用混合模态蒸馏后，模型在弱模态输入处理上获得显著提升：图像检索精确度提升8.98%，图像生成精确度提升9.35%。

应用前景

这项技术不仅将革新安防告警、体育直播回放和VR训练反馈领域，更为智能家居、工业质检、自动驾驶等应用场景开拓了全新可能。

研究团队

• 曾润浩（深圳北理莫斯科大学）
• 毛嘉其（深圳大学）
• 赖铭浩（深圳大学）
• Minh Hieu Phan（阿德莱德大学）
• 董延杰（深圳北理莫斯科大学）
• 王伟（深圳北理莫斯科大学）
• 陈奇（阿德莱德大学）
• 胡希平（深圳北理莫斯科大学）

论文已发布于arXiv平台：https://arxiv.org/abs/2508.11903