**RTAformer：解决视频场景图生成中的关系语义惯性问题**

_RTAformer: Relation-Transition-Aware Transformer for Video Scene Graph Generation_

> 针对现有视频场景图生成方法因过度强调一致性而导致的“关系语义惯性”缺陷，研究提出了 RTAformer 模型。该框架通过分别建模实体持久性与关系变化，利用帧间差异校准引导谓词更新，并结合跨帧实例对齐减少表征漂移，从而在 Action Genome 数据集上显著提升了召回率。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-10-23 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.20091)