即使有了视频槽和准确的命名，还有一个棘手的问题：部分-整体问题。在复杂场景中，一个物体可能被分割成多个槽，例如一辆汽车可能有单独的车身和车轮槽。这种过分割会影响物体定位和识别的准确性。 研究人员通过一种名为＂名称辅助定位＂的联合优化方法解决了这个问题。基本思想是：如果两个槽有相同的名称且在至少一帧中在空间上相邻，那么它们很可能是同一物体的不同部分，应该合并为一个新槽。这个过程会重复进行，直到没有槽可以合并为止。 这个简单而有效的策略显著改善了物体定位的质量。在ImageNet-VID数据集上，合并前单个物体（SO）槽的比例为8.87%，而物体部分（PO）槽为24.05%；合并后，SO比例提高到49.33%，而PO比例降至20.42%。这表明槽合并有效地将物体的部分组合成完整的物体。 同时，背景（BG）槽的比例从65.13%降至23.24%，表明一些原本与物体有轻微重叠的背景槽被正确标记并最终合并。物体组（GO）槽的比例略有增加，从1.96%升至7.01%，表明模型有时会过度合并同一语义类别的多个实例。 这种联合优化方法也显著提高了总体性能。在ImageNet-VID数据集上，mAP分数从5.20提升到29.23，在YouTube-VIS数据集上从5.96提升到35.19。虽然这些结果仍落后于使用标注数据训练的最先进模型，但考虑到该方法完全不使用任何监督信号，这些成果已经非常令人鼓舞。 该方法的强大之处在于能够处理各种场景。例如，在一个包含公交车、建筑物和树木的场景中，它不仅能正确定位和命名中心物体，还能为其他区域提供合理的名称。当然，某些情况下仍存在命名困难，如当准确名称不在语义列表中、视觉内容是多种语义的组合、或视觉内容不完整或模糊时。尽管如此，这种方法展示了无监督开放集检测和分割的潜力，同时也突显了这些下游任务在无监督环境下的挑战性。 对于长视频的处理也是一个潜在的扩展方向。目前的方法处理固定帧数的短视频，但可以通过位置嵌入插值或时间帧子采样等相对简单的调整，扩展到处理更长、更灵活的帧范围。
