본 논문은 긴 비디오 콘텐츠 이해를 위한 새로운 의미론 기반 검색 프레임워크를 제시합니다. 기존의 밀집 샘플링 기반 프레임 자막이나 엔드-투-엔드 특징 선택 방식이 텍스트 질의와 시각적 요소 간의 논리적 관계를 간과하는 문제를 해결하기 위해, 공간적 동시 발생, 시간적 근접성, 속성 의존성, 인과적 순서 등 네 가지 논리적 의존성을 정의하고, 이를 통해 반복적인 정제 과정으로 프레임 샘플링 분포를 동적으로 업데이트합니다. 이는 질의 요구사항에 맞춰 의미적으로 중요한 프레임을 상황 인식적으로 식별하는 것을 가능하게 합니다. 제안된 방법은 주요 프레임 선택 지표에서 수동 주석이 달린 벤치마크에 대해 최첨단 성능을 달성하며, LongVideoBench와 Video-MME에서 기존 방법보다 비디오 질의응답 작업에서 성능 향상을 보여줍니다. 코드는 공개될 예정입니다.
