論文の概要: Training-Free Composed Video Retrieval via Visual Representation-Guided Video-LLM Reasoning

• arxiv url: http://arxiv.org/abs/2606.02321v1
• Date: Mon, 01 Jun 2026 14:35:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:32.286246
• Title: Training-Free Composed Video Retrieval via Visual Representation-Guided Video-LLM Reasoning
• Title（参考訳）: Visual Representation-Guided Video-LLM Reasoningによる学習自由合成ビデオ検索
• Authors: Yang Liu, Qianqian Xu, Peisong Wen, Siran Dai, Qingming Huang,
• Abstract要約: CVPR2026 Reason-Aware Video Retrieval Challengeでは、基準映像と修正指示に従って対象映像を検索する必要がある。 我々は、学習自由な合成ビデオ検索のための視覚表現誘導ビデオ-LLM推論を開発した。
• 参考スコア（独自算出の注目度）: 84.52554180480034
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in large vision-language models have expanded video retrieval from simple text-based search to more flexible scenarios, where users may specify the desired result through both visual examples and textual instructions. In the CVPR 2026 Reason-Aware Composed Video Retrieval Challenge, the system is required to retrieve a target video according to a reference video and a modification instruction. To address this task, we develop Visual Representation-Guided Video-LLM Reasoning for Training-Free Composed Video Retrieval. Our framework first uses frozen DINOv3 models to obtain a compact set of visually relevant candidates, and then applies large vision-language models to evaluate whether each candidate satisfies the modification instruction. A final reasoning-based refinement is further performed on the top candidates to improve the first-ranked prediction. Without training, our system achieves 48.78 Recall@1 and 51.48 Recall@5 on the test set. Future work may further improve retrieval accuracy through stronger video-LLMs and detailed integration between visual representations and language reasoning.
• Abstract（参考訳）: 大規模視覚言語モデルの最近の進歩は、単純なテキストベースの検索から、より柔軟なシナリオまで、ビデオ検索を拡張している。 CVPR2026 Reason-Aware Composed Video Retrieval Challengeでは、基準映像と修正指示に基づいて対象映像を検索する必要がある。 この課題に対処するために、学習自由なビデオ検索のための視覚表現ガイド付きビデオLLM推論を開発する。 我々のフレームワークはまず,凍結したDINOv3モデルを用いて視覚関連候補のコンパクトな集合を求め,次に,各候補が修正命令を満たすか否かを評価するために,大きな視覚言語モデルを適用した。 最終推論に基づく改良が上位候補でさらに実施され、第1ランクの予測が改善される。 トレーニングなしでは、テストセット上で48.78 Recall@1と51.48 Recall@5を達成する。 将来的には、より強力なビデオLLMによる検索精度の向上や、視覚表現と言語推論の詳細な統合が期待できる。

関連論文リスト

• ViLL-E: Video LLM Embeddings for Retrieval [55.66444095205989]
  ViLL-E (Video-LLM-Embed) は、新しい埋め込み生成機構を備えた統合ビデオLLMアーキテクチャである。 我々は、生成学習とコントラスト学習を組み合わせた3段階の学習手法を用いて、このモデルを訓練する。 我々のモデルは、時間的ローカライゼーション(他のビデオLLMよりも7%)とビデオ検索(デュアルエンコーダモデルより最大4%)を大幅に改善する。
  論文  参考訳（メタデータ） (2026-04-13T23:54:58Z)
• VideoITG: Multimodal Video Understanding with Instructed Temporal Grounding [45.83476222676765]
  Instructed Temporal Grounding for Videos (VideoITG) を提案する。 VideoITGの中核は、人間のアノテーションプロセスを明示的に模倣する自動アノテーションフレームワークであるVidThinkerパイプラインである。 我々は,複数のマルチモーダルビデオ理解ベンチマークにおいて,ビデオITGが一貫した性能向上を実現していることを示す。
  論文  参考訳（メタデータ） (2025-07-17T17:59:59Z)
• Training-Free Action Recognition and Goal Inference with Dynamic Frame Selection [51.004020874336284]
  VidTFSはトレーニング不要でオープンなビデオ目標とアクション推論フレームワークである。 提案するフレーム選択モジュールは,フレームワークの性能を大幅に向上させることを示す。 提案したVidTFSの性能を,広範に使用されている4つのビデオデータセット上で検証する。
  論文  参考訳（メタデータ） (2024-01-23T03:45:05Z)
• Video-Teller: Enhancing Cross-Modal Generation with Fusion and Decoupling [79.49128866877922]
  Video-Tellerは、マルチモーダル融合と微粒なモーダルアライメントを利用するビデオ言語基盤モデルである。 Video-Tellerは、凍結した事前訓練されたビジョンと言語モジュールを利用することで、トレーニング効率を高める。 大規模言語モデルの堅牢な言語機能を活用し、簡潔かつ精巧なビデオ記述の生成を可能にする。
  論文  参考訳（メタデータ） (2023-10-08T03:35:27Z)

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。