MV-Adapter: Multimodal Video Transfer Learning for Video Text Retrieval
Fuente:
arXiv
Guardado en:
| Autores principales: | Jin, Xiaojie, Zhang, Bowen, Gong, Weibo, Xu, Kai, Deng, XueQing, Wang, Peng, Zhang, Zhao, Shen, Xiaohui, Feng, Jiashi |
|---|---|
| Formato: | Preprint |
| Publicado: |
2023
|
| Materias: | |
| Acceso en línea: | |
| Etiquetas: |
Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
Ejemplares similares
VCoME: Verbal Video Composition with Multimodal Editing Effects
por: Gong, Weibo, et al.
Publicado: (2024)
por: Gong, Weibo, et al.
Publicado: (2024)
VideoWorld 2: Learning Transferable Knowledge from Real-world Videos
por: Ren, Zhongwei, et al.
Publicado: (2026)
por: Ren, Zhongwei, et al.
Publicado: (2026)
RAP: Efficient Text-Video Retrieval with Sparse-and-Correlated Adapter
por: Cao, Meng, et al.
Publicado: (2024)
por: Cao, Meng, et al.
Publicado: (2024)
VideoWorld: Exploring Knowledge Learning from Unlabeled Videos
por: Ren, Zhongwei, et al.
Publicado: (2025)
por: Ren, Zhongwei, et al.
Publicado: (2025)
Flash-VStream: Efficient Real-Time Understanding for Long Video Streams
por: Zhang, Haoji, et al.
Publicado: (2025)
por: Zhang, Haoji, et al.
Publicado: (2025)
Hierarchical Memory for Long Video QA
por: Wang, Yiqin, et al.
Publicado: (2024)
por: Wang, Yiqin, et al.
Publicado: (2024)
Flash-VStream: Memory-Based Real-Time Understanding for Long Video Streams
por: Zhang, Haoji, et al.
Publicado: (2024)
por: Zhang, Haoji, et al.
Publicado: (2024)
Vista-LLaMA: Reducing Hallucination in Video Language Models via Equal Distance to Visual Tokens
por: Ma, Fan, et al.
Publicado: (2023)
por: Ma, Fan, et al.
Publicado: (2023)
Adversarial Video Promotion Against Text-to-Video Retrieval
por: Tian, Qiwei, et al.
Publicado: (2025)
por: Tian, Qiwei, et al.
Publicado: (2025)
TempMe: Video Temporal Token Merging for Efficient Text-Video Retrieval
por: Shen, Leqi, et al.
Publicado: (2024)
por: Shen, Leqi, et al.
Publicado: (2024)
MV-S2V: Multi-View Subject-Consistent Video Generation
por: Song, Ziyang, et al.
Publicado: (2026)
por: Song, Ziyang, et al.
Publicado: (2026)
PixelLM: Pixel Reasoning with Large Multimodal Model
por: Ren, Zhongwei, et al.
Publicado: (2023)
por: Ren, Zhongwei, et al.
Publicado: (2023)
PickStyle: Video-to-Video Style Transfer with Context-Style Adapters
por: Mehraban, Soroush, et al.
Publicado: (2025)
por: Mehraban, Soroush, et al.
Publicado: (2025)
MotionAdapter: Video Motion Transfer via Content-Aware Attention Customization
por: Zhang, Zhexin, et al.
Publicado: (2026)
por: Zhang, Zhexin, et al.
Publicado: (2026)
HVD: Human Vision-Driven Video Representation Learning for Text-Video Retrieval
por: Xie, Zequn, et al.
Publicado: (2026)
por: Xie, Zequn, et al.
Publicado: (2026)
PLLaVA : Parameter-free LLaVA Extension from Images to Videos for Video Dense Captioning
por: Xu, Lin, et al.
Publicado: (2024)
por: Xu, Lin, et al.
Publicado: (2024)
SAVE: Speech-Aware Video Representation Learning for Video-Text Retrieval
por: Zhao, Ruixiang, et al.
Publicado: (2026)
por: Zhao, Ruixiang, et al.
Publicado: (2026)
ShotAdapter: Text-to-Multi-Shot Video Generation with Diffusion Models
por: Kara, Ozgur, et al.
Publicado: (2025)
por: Kara, Ozgur, et al.
Publicado: (2025)
DiscoVLA: Discrepancy Reduction in Vision, Language, and Alignment for Parameter-Efficient Video-Text Retrieval
por: Shen, Leqi, et al.
Publicado: (2025)
por: Shen, Leqi, et al.
Publicado: (2025)
Multi-event Video-Text Retrieval
por: Zhang, Gengyuan, et al.
Publicado: (2023)
por: Zhang, Gengyuan, et al.
Publicado: (2023)
Adaptive Multi-Agent Reasoning for Text-to-Video Retrieval
por: Wu, Jiaxin, et al.
Publicado: (2025)
por: Wu, Jiaxin, et al.
Publicado: (2025)
Video Depth Anything: Consistent Depth Estimation for Super-Long Videos
por: Chen, Sili, et al.
Publicado: (2025)
por: Chen, Sili, et al.
Publicado: (2025)
MV2MAE: Multi-View Video Masked Autoencoders
por: Shah, Ketul, et al.
Publicado: (2024)
por: Shah, Ketul, et al.
Publicado: (2024)
StyleCrafter: Enhancing Stylized Text-to-Video Generation with Style Adapter
por: Liu, Gongye, et al.
Publicado: (2023)
por: Liu, Gongye, et al.
Publicado: (2023)
Enhancing Weakly Supervised Multimodal Video Anomaly Detection through Text Guidance
por: Sun, Shengyang, et al.
Publicado: (2026)
por: Sun, Shengyang, et al.
Publicado: (2026)
VideoWeaver: Multimodal Multi-View Video-to-Video Transfer for Embodied Agents
por: Eskandar, George, et al.
Publicado: (2026)
por: Eskandar, George, et al.
Publicado: (2026)
VideoMV: Consistent Multi-View Generation Based on Large Video Generative Model
por: Zuo, Qi, et al.
Publicado: (2024)
por: Zuo, Qi, et al.
Publicado: (2024)
Delving Deeper: Hierarchical Visual Perception for Robust Video-Text Retrieval
por: Xie, Zequn, et al.
Publicado: (2026)
por: Xie, Zequn, et al.
Publicado: (2026)
Temporal Reasoning Transfer from Text to Video
por: Li, Lei, et al.
Publicado: (2024)
por: Li, Lei, et al.
Publicado: (2024)
Contrastive Masked Autoencoders are Stronger Vision Learners
por: Huang, Zhicheng, et al.
Publicado: (2022)
por: Huang, Zhicheng, et al.
Publicado: (2022)
Text-Video Retrieval with Global-Local Semantic Consistent Learning
por: Zhang, Haonan, et al.
Publicado: (2024)
por: Zhang, Haonan, et al.
Publicado: (2024)
Multi-Granularity and Multi-modal Feature Interaction Approach for Text Video Retrieval
por: Li, Wenjun, et al.
Publicado: (2024)
por: Li, Wenjun, et al.
Publicado: (2024)
Frame-Difference Guided Dynamic Region Perception for CLIP Adaptation in Text-Video Retrieval
por: Yu, Jiaao, et al.
Publicado: (2025)
por: Yu, Jiaao, et al.
Publicado: (2025)
TokenBinder: Text-Video Retrieval with One-to-Many Alignment Paradigm
por: Zhang, Bingqing, et al.
Publicado: (2024)
por: Zhang, Bingqing, et al.
Publicado: (2024)
I2V-Adapter: A General Image-to-Video Adapter for Diffusion Models
por: Guo, Xun, et al.
Publicado: (2023)
por: Guo, Xun, et al.
Publicado: (2023)
MLLM as Video Narrator: Mitigating Modality Imbalance in Video Moment Retrieval
por: Cai, Weitong, et al.
Publicado: (2024)
por: Cai, Weitong, et al.
Publicado: (2024)
Generative Video Diffusion for Unseen Novel Semantic Video Moment Retrieval
por: Luo, Dezhao, et al.
Publicado: (2024)
por: Luo, Dezhao, et al.
Publicado: (2024)
Prompt-aware of Frame Sampling for Efficient Text-Video Retrieval
por: Zhang, Deyu, et al.
Publicado: (2025)
por: Zhang, Deyu, et al.
Publicado: (2025)
Denoise-then-Retrieve: Text-Conditioned Video Denoising for Video Moment Retrieval
por: Liu, Weijia, et al.
Publicado: (2025)
por: Liu, Weijia, et al.
Publicado: (2025)
Generalizing Deepfake Video Detection with Plug-and-Play: Video-Level Blending and Spatiotemporal Adapter Tuning
por: Yan, Zhiyuan, et al.
Publicado: (2024)
por: Yan, Zhiyuan, et al.
Publicado: (2024)
Ejemplares similares
-
VCoME: Verbal Video Composition with Multimodal Editing Effects
por: Gong, Weibo, et al.
Publicado: (2024) -
VideoWorld 2: Learning Transferable Knowledge from Real-world Videos
por: Ren, Zhongwei, et al.
Publicado: (2026) -
RAP: Efficient Text-Video Retrieval with Sparse-and-Correlated Adapter
por: Cao, Meng, et al.
Publicado: (2024) -
VideoWorld: Exploring Knowledge Learning from Unlabeled Videos
por: Ren, Zhongwei, et al.
Publicado: (2025) -
Flash-VStream: Efficient Real-Time Understanding for Long Video Streams
por: Zhang, Haoji, et al.
Publicado: (2025)