Buchumschlag

Towards Efficient and Effective Text-to-Video Retrieval with Coarse-to-Fine Visual Representation Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Tian, Kaibin, Cheng, Yanhua, Liu, Yi, Hou, Xinglin, Chen, Quan, Li, Han
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Unifying Latent and Lexicon Representations for Effective Video-Text Retrieval
von: Liu, Haowei, et al.
Veröffentlicht: (2024)

Repeating Words for Video-Language Retrieval with Coarse-to-Fine Objectives
von: Zhao, Haoyu, et al.
Veröffentlicht: (2025)

FocusLLaVA: A Coarse-to-Fine Approach for Efficient and Effective Visual Token Compression
von: Zhu, Yuke, et al.
Veröffentlicht: (2024)

SAVE: Speech-Aware Video Representation Learning for Video-Text Retrieval
von: Zhao, Ruixiang, et al.
Veröffentlicht: (2026)

Beyond Coarse-Grained Matching in Video-Text Retrieval
von: Chen, Aozhu, et al.
Veröffentlicht: (2024)

Coarse-To-Fine Tensor Trains for Compact Visual Representations
von: Loeschcke, Sebastian, et al.
Veröffentlicht: (2024)

Test-Time Temporal Sampling for Efficient MLLM Video Understanding
von: Wang, Kaibin, et al.
Veröffentlicht: (2025)

Learning Audio-guided Video Representation with Gated Attention for Video-Text Retrieval
von: Jeong, Boseung, et al.
Veröffentlicht: (2025)

Learning Coarse-to-Fine Osteoarthritis Representations under Noisy Hierarchical Labels
von: Zhang, Tongxu
Veröffentlicht: (2026)

Adversarial Video Promotion Against Text-to-Video Retrieval
von: Tian, Qiwei, et al.
Veröffentlicht: (2025)

EagleNet: Energy-Aware Fine-Grained Relationship Learning Network for Text-Video Retrieval
von: Chen, Yuhan, et al.
Veröffentlicht: (2026)

Multi-entity Video Transformers for Fine-Grained Video Representation Learning
von: Walmer, Matthew, et al.
Veröffentlicht: (2023)

CoVA: Text-Guided Composed Video Retrieval for Audio-Visual Content
von: Han, Gyuwon, et al.
Veröffentlicht: (2026)

Text-Guided Coarse-to-Fine Fusion Network for Robust Remote Sensing Visual Question Answering
von: Zhao, Zhicheng, et al.
Veröffentlicht: (2024)

CFSum: A Transformer-Based Multi-Modal Video Summarization Framework With Coarse-Fine Fusion
von: Guo, Yaowei, et al.
Veröffentlicht: (2025)

RAP: Efficient Text-Video Retrieval with Sparse-and-Correlated Adapter
von: Cao, Meng, et al.
Veröffentlicht: (2024)

Text-Animator: Controllable Visual Text Video Generation
von: Liu, Lin, et al.
Veröffentlicht: (2024)

T2VIndexer: A Generative Video Indexer for Efficient Text-Video Retrieval
von: Li, Yili, et al.
Veröffentlicht: (2024)

Ambiguity-Restrained Text-Video Representation Learning for Partially Relevant Video Retrieval
von: Cho, CH, et al.
Veröffentlicht: (2025)

Raccoon: Multi-stage Diffusion Training with Coarse-to-Fine Curating Videos
von: Tan, Zhiyu, et al.
Veröffentlicht: (2025)

Identity-Preserving Text-to-Video Generation Guided by Simple yet Effective Spatial-Temporal Decoupled Representations
von: Wang, Yuji, et al.
Veröffentlicht: (2025)

TempMe: Video Temporal Token Merging for Efficient Text-Video Retrieval
von: Shen, Leqi, et al.
Veröffentlicht: (2024)

Fine-Grained Spatiotemporal Motion Alignment for Contrastive Video Representation Learning
von: Zhu, Minghao, et al.
Veröffentlicht: (2023)

Vision-TTT: Efficient and Expressive Visual Representation Learning with Test-Time Training
von: Kong, Quan, et al.
Veröffentlicht: (2026)

TempSamp-R1: Effective Temporal Sampling with Reinforcement Fine-Tuning for Video LLMs
von: Li, Yunheng, et al.
Veröffentlicht: (2025)

Generative Recall, Dense Reranking: Learning Multi-View Semantic IDs for Efficient Text-to-Video Retrieval
von: Zhao, Zecheng, et al.
Veröffentlicht: (2026)

Zoom-Zero: Reinforced Coarse-to-Fine Video Understanding via Temporal Zoom-in
von: Shen, Xiaoqian, et al.
Veröffentlicht: (2025)

Denoise-then-Retrieve: Text-Conditioned Video Denoising for Video Moment Retrieval
von: Liu, Weijia, et al.
Veröffentlicht: (2025)

Multi-modal Reference Learning for Fine-grained Text-to-Image Retrieval
von: Ma, Zehong, et al.
Veröffentlicht: (2025)

M$^2$IV: Towards Efficient and Fine-grained Multimodal In-Context Learning via Representation Engineering
von: Li, Yanshu, et al.
Veröffentlicht: (2025)

Learning Accurate Template Matching with Differentiable Coarse-to-Fine Correspondence Refinement
von: Gao, Zhirui, et al.
Veröffentlicht: (2023)

Towards Scalable Video Anomaly Retrieval: A Synthetic Video-Text Benchmark
von: Yang, Shuyu, et al.
Veröffentlicht: (2025)

DiscoVLA: Discrepancy Reduction in Vision, Language, and Alignment for Parameter-Efficient Video-Text Retrieval
von: Shen, Leqi, et al.
Veröffentlicht: (2025)

Prompt-aware of Frame Sampling for Efficient Text-Video Retrieval
von: Zhang, Deyu, et al.
Veröffentlicht: (2025)

HVD: Human Vision-Driven Video Representation Learning for Text-Video Retrieval
von: Xie, Zequn, et al.
Veröffentlicht: (2026)

Fine-Tuning Video-Text Contrastive Model for Primate Behavior Retrieval from Unlabeled Raw Videos
von: Santo, Giulio Cesare Mastrocinque, et al.
Veröffentlicht: (2025)

DCP-CLIP:A Coarse-to-Fine Framework for Open-Vocabulary Semantic Segmentation with Dual Interaction
von: Wang, Jing, et al.
Veröffentlicht: (2026)

Reasoning Text-to-Video Retrieval via Digital Twin Video Representations and Large Language Models
von: Shen, Yiqing, et al.
Veröffentlicht: (2025)

Dyn-Adapter: Towards Disentangled Representation for Efficient Visual Recognition
von: Zhang, Yurong, et al.
Veröffentlicht: (2024)

InsEdit: Towards Instruction-based Visual Editing via Data-Efficient Video Diffusion Models Adaptation
von: Rao, Zhefan, et al.
Veröffentlicht: (2026)