本文第一作者為王贊毅，本科畢業(yè)于西安交通大學(xué)，現(xiàn)為加州大學(xué)圣迭戈分校（UCSD）ECE 系碩士一年級學(xué)生。其主要研究方向為：視頻理解，生成式建模。本工作為作者在國家電網(wǎng)思極 AI 實驗室（SGIT AI Lab） 實習(xí)期間的成果。

長期以來，計算機視覺領(lǐng)域陷入了一個 “表征（Representation）” 的執(zhí)念。我們習(xí)慣設(shè)計各種精巧的 Encoder，試圖將動態(tài)世界壓縮成一組特征向量。然而，視頻作為現(xiàn)實的高維投影，其熵值之高、動態(tài)之復(fù)雜，讓這種試圖 “定格” 的表征顯得力不從心。特別是在指代視頻分割（RVOS）中，傳統(tǒng) “先定位、后分割” 范式遭遇了信息坍縮的瓶頸 —— 一旦特征被壓縮，細(xì)粒度的時空對應(yīng)關(guān)系便隨之瓦解。

如果換一種思路呢？如果不再執(zhí)著于 “壓縮” 和 “表征”，而是利用生成式模型對物理規(guī)律的深刻理解去‘重演’這個過程，是否能實現(xiàn)降維打擊？在剛剛公布的 ICLR 2026 中，來自SGIT AI Lab，UCSD， HKUST等機構(gòu)的研究團隊給出了肯定的答案。他們提出的FlowRVS，跳出了傳統(tǒng)‘凍結(jié)骨干提取特征 + 獨立解碼器預(yù)測’的桎梏。不同于以往將大模型僅僅視為一個特征提取器（Feature Extractor），F(xiàn)lowRVS 徹底釋放了 DiT（Diffusion Transformer）全參數(shù)的生成能力，將分割任務(wù)重塑為一個在潛空間中、直接從視頻流向 Mask 的條件流匹配過程。這不僅是 SOTA 的提升，更是一種視覺感知范式的代際轉(zhuǎn)換。

• 論文標(biāo)題：Deforming Videos to Masks: Flow Matching for Referring Video Segmentation
• 論文鏈接：https://arxiv.org/abs/2510.06139
• 代碼鏈接：https://github.com/xmz111/FlowRVS

生成式建模：從 “壓縮” 到 “仿真” 的降維打擊

"What I cannot create, I cannot understand." — Richard Feynman

這句物理學(xué)界的至理名言，或許是 FlowRVS 最底層的注腳。極致的生成，本身就是極致的理解。視頻理解的本質(zhì)困難在于其極高的不確定性與時空連續(xù)性。傳統(tǒng)的判別式模型往往試圖在這些不確定的像素中強行劃定邊界，這就像是在湍急的河流中試圖用網(wǎng)兜住每一滴水，費力且由于遮擋或運動模糊而常常失效。

相比之下，Sora， Wan 2.1， 以及最近大火的 Seedance2 等生成式模型之所以強大，是因為它們在預(yù)訓(xùn)練過程中通過學(xué)習(xí) “如何生成視頻”，掌握了物體恒常性、光影變化乃至物理運動的元知識。這種 “World Simulator” 級別的先驗，恰恰是解決復(fù)雜視覺判別任務(wù)的終極答案。試想，Seedance 2 能夠生成長達(dá)數(shù)分鐘、且符合人體動力學(xué)的復(fù)雜舞蹈，這證明了 生成模型足以捕捉極高維度的時空演變規(guī)律。FlowRVS 的核心洞察正基于此：與其訓(xùn)練一個模型去死記硬背像素的分類，不如利用 T2V 模型已有的生成能力，引導(dǎo)視頻特征 “自然生長” 出目標(biāo)的分割掩碼。這本質(zhì)上是同一套物理法則在不同方向上的應(yīng)用。

確立了利用生成式模型的大方向，僅僅是推開了真理的大門，而通往最優(yōu)解的路徑依然迷霧重重?；厮?Table 2 的消融實驗，我們看到的是一條從直覺出發(fā)，在碰壁中不斷修正，最終回歸物理本質(zhì)的探索軌跡。

最初的構(gòu)想往往是最樸素的：既然目標(biāo)是分割，能否直接訓(xùn)練模型將高維視頻特征 “壓縮” 為二值 Mask？這種 “一步映射（One-step Prediction）” 看似最符合判別式任務(wù)的習(xí)慣，但實驗結(jié)果卻相當(dāng)殘酷（J&F 38.9）。事實證明，試圖讓模型在一步之內(nèi)跨越如此巨大的信息鴻溝，如同要求它從懸崖直接跳入谷底，劇烈的特征坍縮導(dǎo)致了訓(xùn)練的極度不穩(wěn)定。

既然直接映射行不通，那么模仿 Sora 等主流生成模型，從高斯噪聲開始生成 Mask 呢？這種 “從噪聲出發(fā)（Noise-to-Mask）” 的范式將視頻降級為輔助條件，試圖在一張白紙上 “幻視” 出分割結(jié)果。然而，這一嘗試帶來了災(zāi)難性的 32.3 分。這個全場最低分揭示了一個被忽視的常識：視頻本身包含了極高熵的空間和紋理細(xì)節(jié)，舍棄這些寶貴的先驗，強行從零開始生成，無異于買櫝還珠，舍近求遠(yuǎn)。

真正的轉(zhuǎn)機，出現(xiàn)在對 “殘差” 思維的回歸上。當(dāng)不再強求模型憑空預(yù)測絕對的 Mask，而是轉(zhuǎn)而預(yù)測相對于視頻特征的 “變化量（速度）” 時，性能瞬間躍升至 50.8。這一數(shù)據(jù)的暴漲成為了至關(guān)重要的路標(biāo) —— 它證明了保留視頻本身作為基底（Source）的巨大價值。既然預(yù)測 “一步變化” 如此有效，那么將其擴展為連續(xù)的、平滑的變形過程，便是順理成章的進化方向。順著這一邏輯，F(xiàn)lowRVS 最終確立了Video-to-Mask Flow的范式：直接以視頻為流的起點，學(xué)習(xí)一個確定性的 ODE 軌跡，引導(dǎo)高維特征平滑地 “流淌” 為目標(biāo) Mask。這種范式完全解鎖了預(yù)訓(xùn)練模型的錢呢。最終 60.6 的 SOTA 成績，不僅是分?jǐn)?shù)的勝利，更是對 “如何正確利用視頻信息” 這一物理本質(zhì)的深刻回歸。

非對稱的流：當(dāng) “生成” 遇到 “判別”

如果說將判別任務(wù)重構(gòu)為生成任務(wù)是 FlowRVS 的 “第一性原理”，那么如何處理這兩個過程在物理形態(tài)上的根本差異，則是決定模型生死的關(guān)鍵細(xì)節(jié)。讓我們把目光投向論文中的 Figure 3—— 這張圖揭示了一個被長期忽視的拓?fù)鋵W(xué)矛盾。標(biāo)準(zhǔn)的視頻生成（如 Sora 或 Wan）是一個語義的發(fā)散過程（Divergent Process）”。模型從一個單純的高斯噪聲出發(fā)，就像宇宙大爆炸一樣，可以在潛空間中向任意方向擴散，最終坍縮成無數(shù)種合理的視頻 —— 一只貓可以跑向左邊，也可以跑向右邊，只要符合物理規(guī)律即可。在這種發(fā)散場中，每一加噪步（Timestep）的重要性相對均衡，模型享受著 “探索” 的自由。

然而，RVOS 這樣的判別式任務(wù)是一個收斂過程（Convergent Process）。輸入是蘊含了億萬像素信息的復(fù)雜視頻，目標(biāo)卻是唯一確定的二值掩碼（Mask）。這就好比要將奔涌的江河強行收束進原本的源頭。在這個過程中，t=0（流的起點）擁有著至高無上的決定權(quán)。

BBS：搶占 t=0 的 “決策權(quán)”

在傳統(tǒng)的 Flow Matching 訓(xùn)練中，時間t 是均勻采樣的（Uniform Sampling）。這意味著模型會花費同樣多的算力去學(xué)習(xí) t=0.9 時的微調(diào)（此時 Mask 輪廓已經(jīng)基本成型），和 t=0.1 時的初始變形。但在 RVOS 的收斂漏斗中，這完全是資源錯配。

t=0 時刻，是視頻特征與文本指令發(fā)生劇烈化學(xué)反應(yīng)的 “奇點”。文本必須在這一瞬間，從視頻紛繁復(fù)雜的萬千物體中，精準(zhǔn)地 “抓住” 那只 “較小的猴子”。如果在這一步失之毫厘，后續(xù)的流場無論如何精細(xì)演化，都將是謬以千里的徒勞。

FlowRVS 提出的 邊界偏置采樣（BBS） 正是基于這一物理直覺。它打破了均質(zhì)流的假設(shè)，強行扭曲了訓(xùn)練的時間分布，讓模型在訓(xùn)練初期瘋狂地 “死磕” 起點（Oversampling start point）。實驗數(shù)據(jù)證明了這一直覺的準(zhǔn)確性：僅僅引入 BBS，性能就暴漲了 10 個點。這說明，對于收斂任務(wù)，“出發(fā)的方向” 遠(yuǎn)比 “路途的修飾” 重要。

多步不如一步？判別任務(wù)的物理必然

最后，我們不得不面對一個看似矛盾的現(xiàn)象：我們費盡周折引入了 ODE 求解器和 Flow Matching，但在最終推理時，竟然發(fā)現(xiàn)與傳統(tǒng)判別模型一樣的 “一步推理（1-step）” 效果反而優(yōu)于精細(xì)的多步求解。

這并非 Flow Matching 的失敗，恰恰相反，這正是唯一 target 的判別式任務(wù)的物理必然。

標(biāo)準(zhǔn)的視頻生成是一個隨文本指令的 “探索” 過程 —— 從一個噪聲出發(fā)，終點是不確定的，模型需要在多步迭代中慢慢 “畫” 出細(xì)節(jié)，每一步都充滿了隨機性與創(chuàng)造性。但 RVOS 截然不同，它是一個極致的收斂過程。無論輸入視頻多么復(fù)雜，對于給定的文本指令，目標(biāo)的 Mask 是唯一、固定且確定的（Deterministic）。

在這種強約束下，F(xiàn)low Matching 訓(xùn)練出的向量場不再需要去 “探索” 路徑。因為終點已經(jīng)鎖死，模型學(xué)到的流場實際上就是一個直指終點的 “坍縮” 向量。當(dāng) BBS 策略確保了起點的精準(zhǔn)后，這條從高維視頻到低維 Mask 的軌跡變得筆直而確定。既然方向已經(jīng)如此清晰且唯一，我們自然不需要分多步去小心翼翼地逼近 —— 直接沿著切線邁出一步，就能精準(zhǔn) “撞線”。這正是生成式框架在判別任務(wù)中展現(xiàn)出的獨特魅力：用生成的手段訓(xùn)練，卻獲得了回歸的極速推理。

看見 “熵減”：不僅僅是 SOTA

當(dāng)我們將 FlowRVS 的性能量化時，數(shù)字確實令人振奮：在最考驗動作理解的 MeViS 基準(zhǔn)上，F(xiàn)lowRVS 刷新了 SOTA 記錄（51.1 J&F），基于 WAN2.1 T2V 1.3B 的模型即便與那些使用了更大參數(shù)量的模型相比也毫不遜色。更令人驚訝的是它的零樣本（Zero-shot）能力 —— 在從未見過的 Ref-DAVIS17 數(shù)據(jù)集上，僅憑 T2V 底座的通用知識，它就跑出了 73.3 的高分。但數(shù)字背后，F(xiàn)lowRVS 真正的魅力在于其處理視頻時的 “確定性”。既然我們將 RVOS 視為一個收斂過程，那么這種物理直覺在實際場景中究竟帶來了哪些代際優(yōu)勢？

1. 穿越迷霧的 “物理直覺”

傳統(tǒng)的判別式模型往往在逐幀檢測，一旦物體被遮擋或環(huán)境變得混沌（如煙霧、強光、陰影），“檢測框” 往往會發(fā)生抖動甚至丟失。但在 FlowRVS 的視角里，視頻是一個整體的流場。即便在嚴(yán)重的遮擋（Occlusion）或非剛體形變下，分割 Mask 依然像膠水一樣緊緊吸附在物體表面。這說明模型并非在機械地匹配像素，而是利用 T2V 底座中蘊含的物理規(guī)律，理解了物體的 “恒常性”。

2. 極速推理的秘密：被拉直的時空

得益于對視頻全局建模的特性，F(xiàn)lowRVS 在超長序列的處理上展現(xiàn)出了傳統(tǒng)模型難以企及的穩(wěn)定性。在長達(dá) 81 幀的超長測試中，F(xiàn)lowRVS 的推理效率幾乎沒有波動。更重要的是，它徹底解決了長距離追蹤中的 “軌跡漂移” 難題，在更長幀數(shù)與視頻（200 幀，25s）下依舊能保持讓人驚訝的外推能力。

這種穩(wěn)定性源自于 Flow Matching 訓(xùn)練出的流場具有極強的方向確定性，模型表現(xiàn)出了一種近乎 “直覺” 的預(yù)測力：即便物體的動作超出了訓(xùn)練集的分布范疇（如 “翻跟頭的狗”，“打籃球的人”），它依然能憑借對物理運動軌跡的理解，順著流場的方向完成精準(zhǔn)分割 。這種從已知推向未知的泛化紅利，證明了 FlowRVS 捕捉到的是視頻運動的本質(zhì)規(guī)律，而非簡單的模式記憶。

萬流歸宗：Flow Matching 的跨模態(tài)大一統(tǒng)

FlowRVS 的成功，不僅是一個 Vision 任務(wù)的勝利，更是對 Flow Matching 理論普適性的又一次有力實證。

無論是 Seedance 2 將音頻律動映射為肢體動作，還是 Sora 將文本映射為光影像素，亦或是 FlowRVS 將視頻像素映射為語義掩碼，其數(shù)學(xué)本質(zhì)都是一致的：利用向量場（Vector Field）構(gòu)建兩個概率分布之間的最優(yōu)傳輸（Optimal Transport）路徑。

在 Flow Matching 的視角下，模態(tài)的壁壘被打破了。Input 可以是噪聲、是視頻、是音頻；Output 可以是圖像、是 Mask、是深度圖，甚至是 3D 動作。 FlowRVS 證明了，只要我們能定義好源分布（Source）和目標(biāo)分布（Target），F(xiàn)low Matching 就能在兩者之間架起一座確定性的橋梁。

這或許預(yù)示著視覺感知的未來：我們不再需要為檢測、分割、生成分別設(shè)計特異化的架構(gòu)（Encoder-Decoder, R-CNN...），所有的任務(wù)，終將被統(tǒng)一在一個簡潔優(yōu)美的 ODE 方程之中。