Fugu-MT 論文翻訳(概要): Reason, Retrieve, Re-rank: A Zero-Shot Reasoning-Aware Framework for Composed Video Retrieval

論文の概要: Reason, Retrieve, Re-rank: A Zero-Shot Reasoning-Aware Framework for Composed Video Retrieval

arxiv url: http://arxiv.org/abs/2606.00910v1
Date: Sat, 30 May 2026 22:21:42 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-02 21:34:28.972562
Title: Reason, Retrieve, Re-rank: A Zero-Shot Reasoning-Aware Framework for Composed Video Retrieval
Title（参考訳）: Reason, Retrieve, Re-rank:コンポジションビデオ検索のためのゼロショット推論対応フレームワーク
Authors: Ali Alavi,
Abstract要約: Composed Video Retrieval (CoVR)は、参照ビデオに自由形式のテキスト修正を適用することで得られるターゲットビデオを求める。 textbfR3-CoVR(emphReason、Retrieve、Re-rank)は、凍結基盤モデルから完全に構築されたトレーニング不要のパイプラインである。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Composed Video Retrieval (CoVR) seeks the target video that results from applying a free-form textual modification to a reference video. We address the \emph{Reason-Aware} CoVR (CoVR-R) challenge at the CVPR~2026 VidLLMs workshop, where retrieval is strictly zero-shot. We present \textbf{R3-CoVR} (\emph{Reason, Retrieve, Re-rank}), a training-free pipeline built entirely from frozen foundation models. A multimodal large language model (Qwen3-VL-8B) reasons about the \emph{after-effects} an edit implies -- state transitions, action phases, scene, camera and tempo -- and verbalises a concise post-edit description; a contrastive video--text encoder (SigLIP-2) embeds this description and the gallery for first-stage retrieval; finally a constraint-aware re-ranking stage uses the same multimodal model as a judge that scores each shortlisted candidate against the intended edited result. On the challenge test set, R3-CoVR attains \textbf{91.9\% R@1} and \textbf{98.2\% R@10}. Two findings drive these results: (i)~matching the description length to the contrastive encoder's text window lifts \Rk{1} from $67.5$ to $72.7$; and (ii)~the constraint-aware re-ranker, which reorders only the shortlist, lifts \Rk{1} from $72.7$ to $91.9$ -- the single largest gain. We analyse the re-ranker's behaviour, the retrieve/re-rank blend, and the shortlist depth, and we release a clean three-layer implementation.
Abstract（参考訳）: Composed Video Retrieval (CoVR)は、参照ビデオに自由形式のテキスト修正を適用することで得られるターゲットビデオを求める。 CVPR~2026 VidLLMsワークショップでは,検索が厳密にゼロショットである‘emph{Reason-Aware} CoVR(CoVR-R)チャレンジに対処する。本稿では,凍結基礎モデルから構築したトレーニングフリーパイプラインであるtextbf{R3-CoVR}(\emph{Reason, Retrieve, Re-rank})を紹介する。マルチモーダルな大言語モデル (Qwen3-VL-8B) は、編集が - 状態遷移、アクションフェーズ、シーン、カメラ、テンポ - に関する理由を示し、簡潔な後編集後の記述を動詞化する; コントラストのあるビデオテキストエンコーダ (SigLIP-2) はこの記述と第一段階の検索のためのギャラリーを埋め込む; 最後に、制約認識の再評価ステージは、意図された編集結果に対して各ショートリストされた候補をスコア付けする判断として、同じマルチモーダルモデルを使用する。チャレンジテストセットでは、R3-CoVR は \textbf{91.9\% R@1} と \textbf{98.2\% R@10} を得る。 2つの発見がこれらの結果を導いた。 (i)~コントラストエンコーダのテキストウィンドウに記述長を合わせると、Rk{1}は67.5$から72.7$に上がります。 (ii)~ショートリストのみをリオーダーする制約対応リランカは、Rk{1}を72.7ドルから91.9ドルへと引き上げる。我々は、リランカの挙動、検索/再ランクブレンド、ショートリストの深さを分析し、クリーンな3層実装をリリースする。

論文の概要: Reason, Retrieve, Re-rank: A Zero-Shot Reasoning-Aware Framework for Composed Video Retrieval

関連論文リスト