GAIS: Frame-Level Gated Audio-Visual Integration with Semantic Variance-Scaled Perturbation for Text-Video Retrieval
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Yang, Bowen, Cao, Yun, He, Chen, Su, Xiaosu |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Learning Audio-guided Video Representation with Gated Attention for Video-Text Retrieval
par: Jeong, Boseung, et autres
Publié: (2025)
par: Jeong, Boseung, et autres
Publié: (2025)
Beyond Boundary Frames: Context-Centric Video Interpolation with Audio-Visual Semantics
par: Deng, Yuchen, et autres
Publié: (2025)
par: Deng, Yuchen, et autres
Publié: (2025)
Narrating the Video: Boosting Text-Video Retrieval via Comprehensive Utilization of Frame-Level Captions
par: Hur, Chan, et autres
Publié: (2025)
par: Hur, Chan, et autres
Publié: (2025)
CoVA: Text-Guided Composed Video Retrieval for Audio-Visual Content
par: Han, Gyuwon, et autres
Publié: (2026)
par: Han, Gyuwon, et autres
Publié: (2026)
Continual Text-to-Video Retrieval with Frame Fusion and Task-Aware Routing
par: Zhao, Zecheng, et autres
Publié: (2025)
par: Zhao, Zecheng, et autres
Publié: (2025)
Prompt-aware of Frame Sampling for Efficient Text-Video Retrieval
par: Zhang, Deyu, et autres
Publié: (2025)
par: Zhang, Deyu, et autres
Publié: (2025)
InfiniteTalk: Audio-driven Video Generation for Sparse-Frame Video Dubbing
par: Yang, Shaoshu, et autres
Publié: (2025)
par: Yang, Shaoshu, et autres
Publié: (2025)
TEn-CATG:Text-Enriched Audio-Visual Video Parsing with Multi-Scale Category-Aware Temporal Graph
par: Chen, Yaru, et autres
Publié: (2025)
par: Chen, Yaru, et autres
Publié: (2025)
Multimodal Class-aware Semantic Enhancement Network for Audio-Visual Video Parsing
par: Zhao, Pengcheng, et autres
Publié: (2024)
par: Zhao, Pengcheng, et autres
Publié: (2024)
Uncertainty-Gated Region-Level Retrieval for Robust Semantic Segmentation
par: Rajan, Shreshth, et autres
Publié: (2025)
par: Rajan, Shreshth, et autres
Publié: (2025)
OmniRetriever: Any-to-Any Audio-Video-Text Retrieval via Fusion-as-Teacher Distillation
par: Liu, Yunze, et autres
Publié: (2026)
par: Liu, Yunze, et autres
Publié: (2026)
Text-Video Retrieval with Global-Local Semantic Consistent Learning
par: Zhang, Haonan, et autres
Publié: (2024)
par: Zhang, Haonan, et autres
Publié: (2024)
Text-Audio-Visual-conditioned Diffusion Model for Video Saliency Prediction
par: Yu, Li, et autres
Publié: (2025)
par: Yu, Li, et autres
Publié: (2025)
Denoise-then-Retrieve: Text-Conditioned Video Denoising for Video Moment Retrieval
par: Liu, Weijia, et autres
Publié: (2025)
par: Liu, Weijia, et autres
Publié: (2025)
StreamMind: Unlocking Full Frame Rate Streaming Video Dialogue through Event-Gated Cognition
par: Ding, Xin, et autres
Publié: (2025)
par: Ding, Xin, et autres
Publié: (2025)
MV-Adapter: Multimodal Video Transfer Learning for Video Text Retrieval
par: Jin, Xiaojie, et autres
Publié: (2023)
par: Jin, Xiaojie, et autres
Publié: (2023)
Less is More: Token-Efficient Video-QA via Adaptive Frame-Pruning and Semantic Graph Integration
par: Wang, Shaoguang, et autres
Publié: (2025)
par: Wang, Shaoguang, et autres
Publié: (2025)
Text-Video Multi-Grained Integration for Video Moment Montage
par: Yin, Zhihui, et autres
Publié: (2024)
par: Yin, Zhihui, et autres
Publié: (2024)
LiteFrame: Efficient Vision Encoders Unlock Frame Scaling in Video LLMs
par: Kim, Jihwan, et autres
Publié: (2026)
par: Kim, Jihwan, et autres
Publié: (2026)
TB-AVA: Text as a Semantic Bridge for Audio-Visual Parameter Efficient Finetuning
par: Kim, Seongah, et autres
Publié: (2026)
par: Kim, Seongah, et autres
Publié: (2026)
TV-RAG: A Temporal-aware and Semantic Entropy-Weighted Framework for Long Video Retrieval and Understanding
par: Cao, Zongsheng, et autres
Publié: (2025)
par: Cao, Zongsheng, et autres
Publié: (2025)
Prototype-based Aleatoric Uncertainty Quantification for Cross-modal Retrieval
par: Li, Hao, et autres
Publié: (2023)
par: Li, Hao, et autres
Publié: (2023)
MUVR: A Multi-Modal Untrimmed Video Retrieval Benchmark with Multi-Level Visual Correspondence
par: Feng, Yue, et autres
Publié: (2025)
par: Feng, Yue, et autres
Publié: (2025)
Retrieving to Recover: Towards Incomplete Audio-Visual Question Answering via Semantic-consistent Purification
par: Zhang, Jiayu, et autres
Publié: (2026)
par: Zhang, Jiayu, et autres
Publié: (2026)
Generative Recall, Dense Reranking: Learning Multi-View Semantic IDs for Efficient Text-to-Video Retrieval
par: Zhao, Zecheng, et autres
Publié: (2026)
par: Zhao, Zecheng, et autres
Publié: (2026)
Semantic Audio-Visual Navigation in Continuous Environments
par: Zeng, Yichen, et autres
Publié: (2026)
par: Zeng, Yichen, et autres
Publié: (2026)
MUG: Pseudo Labeling Augmented Audio-Visual Mamba Network for Audio-Visual Video Parsing
par: Wang, Langyu, et autres
Publié: (2025)
par: Wang, Langyu, et autres
Publié: (2025)
Fine-Grained Zero-Shot Composed Image Retrieval with Complementary Visual-Semantic Integration
par: Ye, Yongcong, et autres
Publié: (2026)
par: Ye, Yongcong, et autres
Publié: (2026)
Towards Efficient and Effective Text-to-Video Retrieval with Coarse-to-Fine Visual Representation Learning
par: Tian, Kaibin, et autres
Publié: (2024)
par: Tian, Kaibin, et autres
Publié: (2024)
Exploring AIGC Video Quality: A Focus on Visual Harmony, Video-Text Consistency and Domain Distribution Gap
par: Qu, Bowen, et autres
Publié: (2024)
par: Qu, Bowen, et autres
Publié: (2024)
AV-Deepfake1M++: A Large-Scale Audio-Visual Deepfake Benchmark with Real-World Perturbations
par: Cai, Zhixi, et autres
Publié: (2025)
par: Cai, Zhixi, et autres
Publié: (2025)
Semantic Frame Interpolation
par: Hong, Yijia, et autres
Publié: (2025)
par: Hong, Yijia, et autres
Publié: (2025)
Spherical World-Locking for Audio-Visual Localization in Egocentric Videos
par: Yun, Heeseung, et autres
Publié: (2024)
par: Yun, Heeseung, et autres
Publié: (2024)
When Thinking Hurts: Mitigating Visual Forgetting in Video Reasoning via Frame Repetition
par: Sun, Xiaokun, et autres
Publié: (2026)
par: Sun, Xiaokun, et autres
Publié: (2026)
Frame-Difference Guided Dynamic Region Perception for CLIP Adaptation in Text-Video Retrieval
par: Yu, Jiaao, et autres
Publié: (2025)
par: Yu, Jiaao, et autres
Publié: (2025)
Neural Gate: Mitigating Privacy Risks in LVLMs via Neuron-Level Gradient Gating
par: Cao, Xiangkui, et autres
Publié: (2026)
par: Cao, Xiangkui, et autres
Publié: (2026)
RAP: Efficient Text-Video Retrieval with Sparse-and-Correlated Adapter
par: Cao, Meng, et autres
Publié: (2024)
par: Cao, Meng, et autres
Publié: (2024)
SAVEn-Vid: Synergistic Audio-Visual Integration for Enhanced Understanding in Long Video Context
par: Li, Jungang, et autres
Publié: (2024)
par: Li, Jungang, et autres
Publié: (2024)
Generative Video Diffusion for Unseen Novel Semantic Video Moment Retrieval
par: Luo, Dezhao, et autres
Publié: (2024)
par: Luo, Dezhao, et autres
Publié: (2024)
T2AV-Compass: Towards Unified Evaluation for Text-to-Audio-Video Generation
par: Cao, Zhe, et autres
Publié: (2025)
par: Cao, Zhe, et autres
Publié: (2025)
Documents similaires
-
Learning Audio-guided Video Representation with Gated Attention for Video-Text Retrieval
par: Jeong, Boseung, et autres
Publié: (2025) -
Beyond Boundary Frames: Context-Centric Video Interpolation with Audio-Visual Semantics
par: Deng, Yuchen, et autres
Publié: (2025) -
Narrating the Video: Boosting Text-Video Retrieval via Comprehensive Utilization of Frame-Level Captions
par: Hur, Chan, et autres
Publié: (2025) -
CoVA: Text-Guided Composed Video Retrieval for Audio-Visual Content
par: Han, Gyuwon, et autres
Publié: (2026) -
Continual Text-to-Video Retrieval with Frame Fusion and Task-Aware Routing
par: Zhao, Zecheng, et autres
Publié: (2025)