.png){kind=icon}
返回
PointDiff: Conditional Diffusion Model for Point-Supervised Video Moment Retrieval
.png){kind=icon}
PRE
AI
DOI：10.1109/tmm.2026.3676163.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于单点标注的视频时刻检索（PS-VMR）旨在通过利用单点标注，检索与给定自然语言查询语义对齐的视频时刻。现有方法性能欠佳主要由于两方面：i) 生成的候选片段以随机选取的标注帧为中心，ii) 多个高斯分布的使用导致边界越界。为解决这些问题，我们提出了一种具有扩散模型精神的PS-VMR生成框架。具体而言，我们引入高斯先验约束模块以探索显著区域，并利用高斯权重实现紧凑的伪片段。随后，多模态条件扩散模块将伪片段扩散为随机噪声，再通过查询与视频间的相似性引导，将其去噪还原为初始片段。该框架增强了捕捉视频-查询关系的能力，并缓解了对标注帧的依赖。此外，我们整合了噪声强度预测任务，以辅助多模态条件扩散模块的降噪过程。我们在Charades-STA、ActivityNet Captions和TACoS三个基准上进行了大量实验，所提网络优于现有最优方法，证明了其有效性。
Keyword:
Diffusion model
point-supervised video moment retrieval (PS-VMR)
video understanding
