El paradigma de propagación de consultas proporciona un marco teórico unificado para el seguimiento de múltiples objetos de extremo a extremo, sin embargo, aún enfrenta desafíos en escenarios complejos que involucran variaciones a múltiples escalas, interacciones densas y fragmentación de trayectorias, incluyendo la calidad insuficiente de la inicialización de consultas, la alineación de características imprecisa y la difícil recuperación de identidades. Basándose en MOTRv2, este documento propone tres mejoras clave. Primero, diseñamos una estrategia de inyección de prior geométrico basada en codificación seno-coseno, que codifica explícitamente la ubicación del objetivo y la información de escala en las consultas de detección, proporcionando una inicialización de alta calidad para las consultas de seguimiento. En segundo lugar, proponemos un mecanismo de atención deformable modulado por ancho y alto que ajusta dinámicamente el rango de muestreo de la convolución deformable según el tamaño del objetivo, permitiendo un emparejamiento de características de alta precisión para objetivos a múltiples escalas. En tercer lugar, construimos un módulo de reasociación de trayectorias basado en la consistencia de la dirección del movimiento que aprovecha la continuidad del movimiento para recuperar eficientemente trayectorias perdidas sin introducir modelos de apariencia adicionales. Además, introducimos una estrategia de entrenamiento conjunto progresivo que optimiza los módulos de detección y seguimiento en etapas, mitigando efectivamente la competencia de gradientes en el aprendizaje multitarea. Amplios experimentos cuantitativos y cualitativos en los conjuntos de datos BEE24, UAVSwarm y VTMOT infrarrojos validan la efectividad del método propuesto. En el conjunto de datos UAVSwarm, nuestro método logra un rendimiento de vanguardia con un 52.4% HOTA, un 72.1% MOTA y solo 51 cambios de identidad. Los estudios de ablación revelan además el mecanismo de mejora sinérgico entre los módulos propuestos.