新しいCross‑View Dense Video Object Captioning（CVDVOC）タスクでは、同期された複数カメラの観測を１つのグローバルトラジェクトリに統合し、そのトラジェクトリごとに単一の説明文を生成する。

CVDVOCを検証するためにCRTrack‑Capというデータセットが作成された。ここには13シーンにわたる425個のグローバルトラジェクトリと838個のカメラローカルトラッテルトラックが含まれ、335人の身元に対して参照説明が与えられている。

提案された参考フレームワークは、View‑Exclusive Cross‑Camera Association（VECA）とConflict‑Evidence Gating（CEG）を組み合わせ、CaptionFormerベースのデコーダで統一説明を生成する。VECAは各カメラから最大1つのローカルトラッテルトラックだけを含むグローバルIDグループを作り、CEGは各外観属性に対して信頼できる視点を選択し、字幕生成に与える影響を制御する。