Tag · 1 篇
Compositional Transformation Reasoning for Composed Video Retrieval
把组合式图文查询拆成实体、动作、场景三个推理维度，并用多模态大模型做成对候选推理，这套零样本流程可直接迁移到视频-文本检索与视频时序变化理解任务中，避免依赖噪声三元组训练。