一种基于时间分割与语义抽象的自中心/外中心程序理解框架

该框架将长时序自中心/外中心视频转换为结构化的程序状态记忆，以 Work Environment Model（WEM）实现。借助冻结的 DINOv2 与 VJEPA-2 编码器及本地语言模型，检测视觉场景、位置、运动、叙述、注视/物体交互等边界并生成证据关联的事件卡片。支持在本地隐私约束下压缩、检索与长期问答评估，已被 ECCV 2026 ACVR Workshop 接收为口头与海报报告。