摘要
近期大型视觉 - 语言模型的发展将视频检索从简单文本搜索扩展至结合视觉示例与文本指令的灵活场景。针对 CVPR 2026 组合视频检索挑战，本文提出一种免训练的视觉表示引导推理框架。该方法首先利用冻结的 DINOv3 模型获取视觉相关候选集，随后应用大型视觉 - 语言模型评估候选是否满足修改指令，并对顶部候选进行基于推理的精炼以提升首位预测准确率。实验显示，该系统在测试集上 Recall@1 达 48.78，Recall@5 达 51.48。
AI 推荐理由
论文核心利用 Video-LLM 进行推理以评估候选视频，推理是关键步骤。
研究机构
School of Computer Science and Technology, University of Chinese Academy of Sciences
State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences
Institute of Information Engineering, Chinese Academy of Sciences
Beijing Academy of Artificial Intelligence
论文信息