14种文本到视频检索方法性能瓶颈分析

Maria-Eirini Pegia等人于2026年11月2日在arXiv发布论文《Understanding the Performance Plateau in Text-to-Video Retrieval》，系统评估了14种最先进的文本到视频检索方法。 研究在3个常用数据集、统一预处理与评估框架下发现：简短清晰的描述召回率更高，复杂事件仍是当前难题，系统存在明显性能平台期。 架构层面，注意力驱动架构更适合处理多步骤查询，而双编码器与多模态融合模型在简单类别上表现更好，为后续系统优化提供了实证指导。

AI 根据报道生成 · 49 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。