OmniGlimpse提出在线多视角身份维护框架

2026年10月28日，arXiv cs.CV 发布 OmniGlimpse 论文，提出面向在线多视角跟踪的非对称身份记忆方法。该框架采用 propose-verify（提议—验证）结构，将自适应关联与稳定的身份固化分离，从而实现无需离线场景特定训练的在线多视角身份维护（OMIM）。在 M3Track 数据集上，其 IDF1 与 CVIDF1 分别比最佳在线基线提升 9.1 和 22.1 个百分点；在 MvMHAT 上分别提升 20.3 和 26.2 个百分点。报道还称，该方法在没有离线场景特定训练的情况下，其 IDF1 已超过经过离线训练的参考方法。目前该工作以预印本形式公开，尚无后续同行评议或第三方复现的报道。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。