摘要
本文提出了一种名为IP-SLT的简单而高效的手语翻译（Sign Language Translation, SLT）框架。IP-SLT采用循环结构，并通过迭代优化的方式增强输入手语视频的语义表征（即原型）。该方法的设计理念模拟了人类阅读行为：一个句子可被反复理解，直至达成准确的语义把握。技术上，IP-SLT包含三个核心模块：特征提取、原型初始化与迭代原型优化。其中，特征提取模块负责提取视频的视觉特征；原型初始化模块基于这些特征生成初始原型；随后，迭代优化模块利用交叉注意力机制，将前一阶段的原型与原始视频特征进行融合，从而逐步完善原型表征。经过多次迭代，原型最终收敛至更加稳定且精确的状态，从而实现流畅且准确的翻译结果。此外，为更好地利用原型序列间的依赖关系，本文进一步提出一种迭代蒸馏损失（iterative distillation loss），将最终迭代阶段的知识压缩并传递至前期迭代过程，以提升整体模型的表达能力。由于在推理阶段仅需执行一次自回归解码，IP-SLT具有较低的计算开销，可轻松集成到各类现有SLT系统中，实现性能提升。在多个公开基准数据集上的大量实验验证了IP-SLT的有效性与优越性。