视频-文本对齐

CVA：面向视频时序定位的上下文感知视频-文本对齐

CVA: Context-aware Video-text Alignment for Video Temporal Grounding

QCD 的「只混入语义无关片段」的替换池构造方式，可直接迁移到任何视频-文本对比学习（如视频检索、片段定位）中，用来避免 query-agnostic 混合带来的假负样本；CBD 损失在时序边界处强制语义一致性，是提升边界敏感任务的通用手段。