推理、检索、重排序：一种零样本感知推理的组合视频检索框架

本文针对组合视频检索（CoVR）任务，提出了一种完全基于冻结基础模型的免训练流程 R3-CoVR。该方法利用多模态大语言模型推理文本修改对视频状态、动作及场景的影响，并生成简洁的描述；随后通过对比编码器进行初步检索，最后利用同一多模态模型作为评判者进行约束感知重排序。实验表明，合理的描述长度与重排序机制显著提升了检索性能，在零样本设定下取得了优异的 R@1 和 R@10 指标。