論文の概要: ReTrack: Evidence-Driven Dual-Stream Directional Anchor Calibration Network for Composed Video Retrieval

• arxiv url: http://arxiv.org/abs/2604.17898v1
• Date: Mon, 20 Apr 2026 07:17:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.747338
• Title: ReTrack: Evidence-Driven Dual-Stream Directional Anchor Calibration Network for Composed Video Retrieval
• Title（参考訳）: ReTrack: ビデオ検索のためのエビデンス駆動デュアルストリーム指向型アンカーキャリブレーションネットワーク
• Authors: Zixu Li, Yupeng Hu, Zhiwei Chen, Qinlei Huang, Guozhi Qiu, Zhiheng Fu, Meng Liu,
• Abstract要約: Composed Video Retrieval (CVR) はビデオ検索の新しいパラダイムとして登場した。 伝統的な合成法は、合成された特徴を基準ビデオに偏りがちである。 ReTrackは、構成された機能の方向バイアスを校正することで、マルチモーダルクエリ理解を改善する最初のCVRフレームワークである。
• 参考スコア（独自算出の注目度）: 24.278296673415827
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rapid growth of video data, Composed Video Retrieval (CVR) has emerged as a novel paradigm in video retrieval and is receiving increasing attention from researchers. Unlike unimodal video retrieval methods, the CVR task takes a multi-modal query consisting of a reference video and a piece of modification text as input. The modification text conveys the user's intended alterations to the reference video. Based on this input, the model aims to retrieve the most relevant target video. In the CVR task, there exists a substantial discrepancy in information density between video and text modalities. Traditional composition methods tend to bias the composed feature toward the reference video, which leads to suboptimal retrieval performance. This limitation is significant due to the presence of three core challenges: (1) modal contribution entanglement, (2) explicit optimization of composed features, and (3) retrieval uncertainty. To address these challenges, we propose the evidence-dRivRn dual-sTream diRectionAl anChor calibration networK (ReTrack). ReTrack is the first CVR framework that improves multi-modal query understanding by calibrating directional bias in composed features. It consists of three key modules: Semantic Contribution Disentanglement, Composition Geometry Calibration, and Reliable Evidence-driven Alignment. Specifically, ReTrack estimates the semantic contribution of each modality to calibrate the directional bias of the composed feature. It then uses the calibrated directional anchors to compute bidirectional evidence that drives reliable composed-to-target similarity estimation. Moreover, ReTrack exhibits strong generalization to the Composed Image Retrieval (CIR) task, achieving SOTA performance across three benchmark datasets in both CVR and CIR scenarios. Codes are available at https://github.com/Lee-zixu/ReTrack
• Abstract（参考訳）: 映像データの急速な成長に伴い、映像検索の新たなパラダイムとしてCVR(Composted Video Retrieval)が登場し、研究者の注目を集めている。 非モーダルなビデオ検索方法とは異なり、CVRタスクは参照ビデオと修正テキストからなるマルチモーダルクエリを入力として取り込む。 修正テキストは、ユーザの意図した変更を参照ビデオに伝達する。 この入力に基づいて、このモデルは最も関連性の高いターゲットビデオを取得することを目的としている。 CVRタスクには、ビデオとテキストのモダリティ間の情報密度にかなりの差がある。 従来の合成法では、合成された特徴を基準ビデオに偏りがちであり、それによって最適下検索性能が向上する。 この制限は,(1) モーダルコントリビューションの絡み合い,(2) 合成特徴の明示的な最適化,(3) 検索の不確実性という3つの主要な課題が存在するために重要である。 これらの課題に対処するために、エビデンス-dRivRnデュアル-sTream diRectionAl anChor calibration networK (ReTrack)を提案する。 ReTrackは、構成された機能の方向バイアスを校正することで、マルチモーダルクエリ理解を改善する最初のCVRフレームワークである。 セマンティック・コントリビューション・ディスタングルメント(Semantic Contribution Disentanglement)、コンポジション・ジオメトリ・キャリブレーション(Compose Geometry Calibration)、信頼性に基づくアライメント(Reliable Evidence-driven Alignment)の3つの主要なモジュールで構成されている。 具体的には、ReTrackは、各モードのセマンティックコントリビューションを推定し、合成された特徴の方向バイアスを校正する。 次に、キャリブレーションされた方向アンカーを用いて双方向の証拠を計算し、信頼性の高い合成目標類似度推定を駆動する。 さらに、ReTrackはComposted Image Retrieval(CIR)タスクへの強力な一般化を示し、CVRおよびCIRシナリオの3つのベンチマークデータセットでSOTAパフォーマンスを達成する。 コードはhttps://github.com/Lee-zixu/ReTrackで入手できる。

関連論文リスト

• RANKVIDEO: Reasoning Reranking for Text-to-Video Retrieval [99.33724613432922]
  本稿では,ビデオ検索のための推論に基づくリランカであるRANKVIDEOを紹介する。 RANKVIDEOは、関連性を評価するためにビデオコンテンツを使用するクエリ-ビデオペアを明示的に理由付けている。 大規模なMultiVENT 2.0ベンチマークの実験では、RANKVIDEOは2段階のフレームワーク内での検索性能を一貫して改善している。
  論文  参考訳（メタデータ） (2026-02-02T18:40:37Z)
• HUD: Hierarchical Uncertainty-Aware Disambiguation Network for Composed Video Retrieval [39.457158192955106]
  階層的不確実性認識型曖昧性ネットワーク(HUD)という,新しいビデオ検索フレームワークを提案する。 HUDは、ビデオとテキスト間の情報密度の格差を利用して、マルチモーダルクエリ理解を強化する最初のフレームワークである。 提案するHUDは,CIRタスクにも適用可能で,CVRタスクとCIRタスクの3つのベンチマークデータセットに対して,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-12-02T14:10:16Z)
• ReWatch-R1: Boosting Complex Video Reasoning in Large Vision-Language Models through Agentic Data Synthesis [48.22585028081581]
  ReWatchは、高度なビデオ推論を促進するために構築された大規模なデータセットである。 本稿では,ReWatch-Caption,ReWatch-QA,ReWatch-CoTの3つのコンポーネントを合成するための新しい多段階合成パイプラインを提案する。 実験の結果,ReWatch-R1は5つの挑戦的ビデオ推論ベンチマークで最先端の平均性能を達成できた。
  論文  参考訳（メタデータ） (2025-09-28T05:38:16Z)
• Enhancing Partially Relevant Video Retrieval with Robust Alignment Learning [29.427720184101474]
  関連のあるビデオ検索は、あるクエリに関連するビデオを取得することを目的としている。 中心となる課題は、突発的なセマンティックな相関に対して、堅牢なクエリとビデオのアライメントを学ぶことだ。 データの不確実性を明示的にモデル化するRobust Alignment Learningフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-01T11:30:43Z)
• Sync from the Sea: Retrieving Alignable Videos from Large-Scale Datasets [62.280729345770936]
  AVR(Alignable Video Retrieval)の課題について紹介する。 クェリビデオが与えられた場合、我々は大量のクリップから良質な映像を識別し、時間的にクェリに同期させることができる。 大規模なKineetics700を含む3つのデータセットに関する実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2024-09-02T20:00:49Z)
• CoVR-2: Automatic Data Construction for Composed Video Retrieval [59.854331104466254]
  Composed Image Retrieval (CoIR) はテキストと画像のクエリを一緒に考えるタスクとして最近人気を集めている。 本稿では,ビデオキャプションペアのトリプレットを生成する,スケーラブルな自動データセット作成手法を提案する。 また、コンポジションビデオ検索(CoVR)を含むタスクの範囲を広げる。
  論文  参考訳（メタデータ） (2023-08-28T17:55:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。