Tag · 1 篇
Imagine Before Concentration: Diffusion-Guided Registers Enhance Partially Relevant Video Retrieval
用文本监督的截断扩散模型从视频分布中生成全局语义寄存器，再经寄存器增强的高斯注意力与视频 token 融合，可作为跨模态检索中缓解局部噪声与查询歧义的通用特征增强模块。