VEDJE: Video-Efficient Discriminative Joint Encoder for Scalable Video-Text Retrieval
VEDJE 將影片壓縮成小型、具時間結構的快取,再以 33M 參數的聯合編碼器進行影片文字檢索。它在 MSR-VTT 取得 59.8 R@1,線上參數量比 LamRA 少約 49×;每段影片的快取為 48 KiB,較原始視覺特徵小 128.5×。保留壓縮後的時間結構有助檢索,特徵變化預測目標亦能提升檢索表現,且不增加推理時計算。