# TT-VidT

该工作提出 TT-VidT，用 DINOv3 初始化的 ViT-B/16 逐帧空间通路加一个紧凑的 Temporal Transfer Layer，并以 Diff Compression 从首帧外观锚点与逐帧运动 token 重建目标帧；在约 170M–190M 编码器规模、1.7M OpenVid 与 Moments-in-Time v2 片段、8 轮训练的匹配配方下，24 组架构-目标扫描显示只有 TT3D 与 Diff Compression 的组合进入最强运动敏感区间，最终比较中同时领先 Jester、Something-Something V2、ARID 与 Diving48 微调，且编码器 FLOPs 比 DisMo 少 48%、比 VideoMAE 或 V-

该工作提出 TT-VidT，用 DINOv3 初始化的 ViT-B/16 逐帧空间通路加一个紧凑的 Temporal Transfer Layer，并以 Diff Compression 从首帧外观锚点与逐帧运动 token 重建目标帧；在约 170M–190M 编码器规模、1.7M OpenVid 与 Moments-in-Time v2 片段、8 轮训练的匹配配方下，24 组架构-目标扫描显示只有 TT3D 与 Diff Compression 的组合进入最强运动敏感区间，最终比较中同时领先 Jester、Something-Something V2、ARID 与 Diving48 微调，且编码器 FLOPs 比 DisMo 少 48%、比 VideoMAE 或 V-