待验证50% 置信事实精确时间
VICE（Video Caption Entailment）是一种通过双分支设计将跨视频比较转化为视频-语言蕴涵任务的方法，用于概念级视频相似度估计。
1
来源数
50%
置信度
长期有效
时效性
2026/10/20
首次发现
来源
VICE：用视频-语言蕴涵实现概念级视频相似度估计
rss2026/10/17
涉及实体
相关事实
待验证VICE采用双分支架构：一个分支接收视频A和视频B的caption，另一个分支接收视频B和视频A的caption，每个分支通过视频-语言蕴涵判断两者在特定概念上是否对齐并输出对齐度量。76% 相似待验证解说二创模式依赖语义对齐能力，需理解解说词语义并在原片ASR转录文本中定位最匹配的视频片段73% 相似待验证VideoViT 是将 Vision Transformer 架构扩展至视频域的技术路线，通过在时间维度引入注意力机制建模帧间关系，并使用 Tubelet Embedding 将连续帧时空体素化为三维 patch72% 相似已验证参考图生视频工作流支持参考图片、视频、音频输入，演示中口型与音频高度同步71% 相似待验证Narrative 将视频编辑、自定义动态图形和参考视频风格匹配整合进同一个界面71% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1074249API
curl https://kongchang.com/api/v1/knowledge/claims/1074249MCP
get_claim(id=1074249)