English(EN) Watching Synthetic Videos: Aligning Cross-modal Representations with Visual Synthesis for Zero-shot Video Captioning

新的WSV框架通过合成视频生成改进零样本视频字幕生成

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-12 04:00

研究人员开发了一个名为WSV的新框架，用于零样本视频字幕生成，该框架解决了仅文本训练与基于视频的推理之间的跨模态差距。该方法包括使用文本到视频模型生成合成视频潜在表示，然后由一个抛光器进行细化以提高保真度。最后，一个提示器根据这些抛光后的表示对GPT-2进行条件化以生成字幕。该方法在MSVD、MSR-VTT和VATEX数据集上的B@4得分达到52，CIDEr得分达到95.7。 AI

影响这项研究引入了一种弥合零样本视频字幕生成差距的新方法，通过利用合成视频数据，有可能提高生成字幕的准确性。

排序理由该集群包含一篇详细介绍零样本视频字幕生成新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍零样本视频字幕生成新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 86 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.CV TIER_1 English(EN) · Liangyu Fu, Junbo Wang, Yuke Li, Ya Jing, Xuecheng Wu, Zhiyong Wang · 2026-08-12 04:00

观看合成视频：通过视觉合成对齐跨模态表示以实现零样本视频字幕生成

arXiv:2608.11013v1 Announce Type: new Abstract: Text-only training is a popular paradigm in zero-shot video captioning, where the video distribution is not available to the model during training, leading to a cross-modal gap between the training (text-only) and the inference (vid…

本文如何被排名

报道来源 [1]

观看合成视频：通过视觉合成对齐跨模态表示以实现零样本视频字幕生成

相关实体

相关话题