論文の概要: TF-PRVR: Training-Free Partially Relevant Video Retrieval

• arxiv url: http://arxiv.org/abs/2610.07925v1
• Date: Tue, 06 Oct 2026 08:03:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.88106
• Title: TF-PRVR: Training-Free Partially Relevant Video Retrieval
• Title（参考訳）: TF-PRVR:トレーニング不要な部分関連ビデオ検索
• Abstract要約: 部分関連ビデオ検索(PRVR)は、あるテキストクエリに関連するモーメントを含む未トリム映像を検索することを目的としている。 既存のPRVR手法には、意味的希釈を引き起こす固定ビデオ分解スキームと、タスク固有のトレーニングによって引き起こされるソースドメインオーバーフィットという2つの重要な制限がある。 本稿では,最初のPRVR用トレーニングフリーフレームワークであるTF-PRVRを提案する。
• 参考スコア（独自算出の注目度）: 4.581495198705364
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Partially Relevant Video Retrieval (PRVR) aims to retrieve untrimmed videos containing moments relevant to a given text query. Despite recent progress, existing PRVR methods suffer from two key limitations: a fixed video decomposition scheme that causes semantic dilution, and source-domain overfitting induced by task-specific training. In this paper, we propose TF-PRVR, the first training-free framework for PRVR. TF-PRVR leverages frozen vision-language features to construct video-specific hierarchical representations. It derives temporal semantic signals from frame-level features and applies frequency-based multi-scale analysis to identify adaptive temporal boundaries, producing hierarchical segments with coherent event-level semantics. Built on these segments, TF-PRVR constructs a unified multi-scale graph and propagates query relevance across temporally and semantically related nodes. A moment-aware scoring strategy then aggregates temporally aligned relevance across scales, emphasizing consistently supported moments while suppressing isolated false responses. Without task-specific training, TF-PRVR preserves the general-purpose alignment capability of pre-trained vision-language models and avoids dataset-specific overfitting. Extensive experiments demonstrate consistent performance across datasets with diverse visual and temporal characteristics, suggesting a practical direction for training-free PRVR.
• Abstract（参考訳）: 部分関連ビデオ検索(PRVR)は、あるテキストクエリに関連するモーメントを含む未トリム映像を検索することを目的としている。 近年の進歩にもかかわらず、既存のPRVR手法には、意味的希釈を引き起こす固定ビデオ分解スキームと、タスク固有のトレーニングによって引き起こされるソースドメイン過剰適合という2つの重要な制限がある。 本稿では,最初のPRVRトレーニングフリーフレームワークであるTF-PRVRを提案する。 TF-PRVRは、凍結した視覚言語機能を利用して、ビデオ固有の階層表現を構築する。 フレームレベルの特徴から時間的意味信号を導出し、周波数に基づくマルチスケール分析を適用して適応的時間的境界を識別し、一貫性のあるイベントレベルのセマンティクスを持つ階層的なセグメントを生成する。 これらのセグメント上に構築されたTF-PRVRは、統合されたマルチスケールグラフを構築し、時間的および意味論的に関連付けられたノード間でクエリ関連性を伝播する。 モーメント・アウェアのスコアリング戦略は、テンポラリ・アライメント(時間的アライメント)をスケールにわたって集約し、一貫したサポートされたモーメントを強調しながら、孤立した偽応答を抑える。 タスク固有のトレーニングがなければ、TF-PRVRは事前訓練された視覚言語モデルの汎用アライメント機能を保持し、データセット固有のオーバーフィッティングを回避する。 大規模な実験は、多様な視覚的特徴と時間的特徴を持つデータセット間で一貫したパフォーマンスを示し、トレーニングなしPRVRの実践的な方向性を示唆している。

関連論文リスト

• Knowledge-Refined Dual Context-Aware Network for Partially Relevant Video Retrieval [13.091084557639425]
  KDC-Netは知識に精通したコンテキスト認識ネットワークである。 テキスト側では、階層的なセマンティックアグリゲーションモジュールが、クエリセマンティクスを豊かにするために、マルチスケールのフレーズキューをキャプチャし、適応的に融合する。 ビデオ側では、ダイナミック・テンポラル・アテンション(Dynamic Temporal Attention)機構は、相対的な位置エンコーディングと適応的な時間ウィンドウを用いて、局所的な時間的コヒーレンスで重要なイベントをハイライトする。 PRVRベンチマークの実験では、KDC-Netは最先端の手法、特に低モーメント・ツー・ビデオ比で一貫して優れていた。
  論文  参考訳（メタデータ） (2026-03-25T03:44:13Z)
• From Play to Replay: Composed Video Retrieval for Temporally Fine-Grained Videos [48.666667545084835]
  Composed Video Retrieval(CoVR)は、クエリビデオと、意図した変更を記述した修正テキストが与えられたターゲットビデオを取得する。 TF-CoVRは、時間的にきめ細かなCoVRに特化した最初の大規模ベンチマークである。 TF-CoVRは体操とダイビングに重点を置いており、FinGymとFineDivingから180Kのトリプルを提供している。
  論文  参考訳（メタデータ） (2025-06-05T17:31:17Z)
• APVR: Hour-Level Long Video Understanding with Adaptive Pivot Visual Information Retrieval [41.81696346270799]
  現在の大規模言語モデル(LM)は時間レベルのビデオ理解に苦慮している。 bftextAdaptive textbfPivot MLbfVisual information textbfRetrieval (textbfAPVR)は、十分に重要な視覚情報を階層的に検索し保持する、トレーニング不要のフレームワークである。
  論文  参考訳（メタデータ） (2025-06-05T12:27:10Z)
• StPR: Spatiotemporal Preservation and Routing for Exemplar-Free Video Class-Incremental Learning [79.44594332189018]
  CIL(Class-Incremental Learning)は、以前取得した知識を使わずに、時間とともに新しいアクションカテゴリを継続的に学習するモデルの開発を目指している。 既存のアプローチでは、メモリとプライバシに関する懸念を忘れたり、あるいは時間的モデリングを無視する静的なイメージベースのメソッドを適用したりする。 本稿では,情報を明示的に切り離して保存する,統一的で非定型なVCILフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-20T06:46:51Z)
• Enhanced Partially Relevant Video Retrieval through Inter- and Intra-Sample Analysis with Coherence Prediction [18.24629930062925]
  部分的に関連のあるビデオ検索は、テキストクエリに関連するターゲットビデオを取得することを目的としている。 既存の手法は、セマンティック空間を構築するために、ペア化されたビデオとテキストクエリを粗く整列する。 サンプル間相関とサンプル内冗長性を体系的に活用する新しいPRVRフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-28T09:52:46Z)
• Temporally Consistent Referring Video Object Segmentation with Hybrid Memory [98.80249255577304]
  本稿では,参照セグメンテーションとともに時間的一貫性を明示的にモデル化する,エンドツーエンドなR-VOSパラダイムを提案する。 自動生成された高品質の参照マスクを有するフレームの特徴は、残りのフレームをセグメント化するために伝播される。 大規模な実験により,本手法は時間的整合性を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2024-03-28T13:32:49Z)
• Temporal Context Aggregation for Video Retrieval with Contrastive Learning [81.12514007044456]
  フレームレベルの特徴間の時間的長距離情報を組み込んだビデオ表現学習フレームワークTCAを提案する。 提案手法は,映像レベルの特徴を持つ最先端の手法に対して,FIVR-200Kでは17% mAPの大幅な性能上の優位性を示す。
  論文  参考訳（メタデータ） (2020-08-04T05:24:20Z)

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。