通过跟踪增强提示推进复杂视频对象分割：第五届 PVUW MOSE 挑战赛的第一名获胜者

在复杂视频目标分割任务中，研究人员需要在杂乱的环境中跟踪和分割特定目标，这严格考验了方法的目标理解能力和环境适应性。尽管 SAM3 作为当前最先进的解决方案，在传统目标上表现出无与伦比的分割性能和鲁棒性，但它在微小和语义主导的对象上表现不佳。这种限制的根本原因在于 SAM3 对这些特定目标类型的理解不足。为了解决这个问题，我们提出了 TEP：通过跟踪增强提示推进复杂视频对象分割。作为 无需训练 方法，TEP 利用外部跟踪模型和多模式 大语言模型 引入跟踪增强提示，从而减轻 SAM3 在理解这些具有挑战性的目标时面临的困难。我们的方法在 PVUW Challenge 2026：复杂视频对象分割赛道的测试集上获得了第一名（56.91%）。