在手术室（OR）场景中，文本到视频检索是一项支撑手术安全的关键技术：它使利益相关者能够检索并查看特定事件的录像。然而，最具安全关键性的事件往往并不遵循常规结构，因此要释放文本到视频检索的全部潜力，系统必须能够处理那些需要推理才能定位正确视频的隐含查询——例如“夹闭前的那一步”。现有方法依赖全局嵌入，无法对此类查询进行推理。
针对这一瓶颈，论文提出了 OR3，一种将视频片段转换为动作驱动数字孪生（Action-Driven Digital Twins，简称 ActDT）的文本到视频检索方法。ActDT 在非重叠的时间区间内，将并发的主体-动作-客体三元组进行分组，从而形成结构化的动作表示。与传统的通过配对编码器进行跨模态匹配不同，OR3 采用基于想象的检索范式：由大语言模型（LLM）从查询中生成假设性的 ActDT。这样一来，检索过程便转化为模态内匹配，仅需一个编码器即可完成，并且该编码器使用针对 ActDT 定制的困难负样本进行训练。
在此基础上，OR3 引入了证据基础的修正机制：根据与排名靠前的候选视频之间的差异，对想象出的 ActDT 进行修订，从而捕捉特定手术流程的模式。为了验证方法有效性，作者从 MM-OR 数据集构建了一个基准，包含来自机器人膝关节手术的 386 个视频片段，以及 276 条隐含查询，覆盖四个推理类别。实验结果表明，OR3 取得了 57.6 的 R@1 和 77.3 的 R@5，优于最强基线方法。这些结果说明，OR3 通过时间动作推理，能够在视觉上相似的手术室视频片段之间实现细粒度区分。
该论文提交于 2026 年 6 月 15 日，作者为 Yiqing Shen 等三人，属于计算机视觉与模式识别（cs.CV）领域，arXiv 编号为 2606.17298。研究凸显了在安全关键场景中，将推理能力引入检索流程的重要性，也为手术室视频分析提供了新的技术路径。