导读
日常生活中，视频里的动作、场景、人物往往高度重复。现有视频字幕模型独立处理每个片段，导致大量片段获得完全相同的描述------在 Ego4D 数据集中，使用现成字幕器生成的片段中 66%与至少另一个片段共享相同字幕。这种重复性严重影响了基于文本的视频检索：用户必须线性浏览所有相似片段才能找到想要的。
布里斯托大学与牛津大学合作提出 "Captioning by Discriminative Prompting (CDP)"，通过观察一组视觉相似片段，预测能够区分它们的"判别性提示"，从而为每个片段生成唯一字幕。在自建的第一视角和循环电影评测基准上，CDP 将 text→video R@1 分别提升了 15%和10%，Cycle@1 提升最高达 35.1%。该方法即插即用，无需微调字幕模型，推理速度仅增加约 1.3 秒/片段。
文章信息
- 标题：It's Just Another Day: Unique Video Captioning by Discriminative Prompting
-
作者：Toby Perrett, Tengda Han, Dima Damen, Andrew Zisserman
-
机构：布里斯托大学（University of Bristol）、牛津大学（University of Oxford）
-
发表：International Journal of Computer Vision (IJCV), 2026
一、重复片段带来的检索困境
生活是充满重复的。日常活动的视频不可避免地包含视觉上相似的事件、场所、人物和动作。当使用现成的视频字幕模型（如 Zhao et al. 2023）时，每个片段被独立处理，结果就是大量片段获得了完全相同的描述。在 Ego4D 数据集中，**66%**的片段与至少另一个片段共享相同的字幕，因此没有唯一标识。
这种字幕的唯一性缺失严重影响了基于文本的检索。当用户搜索"打开冰箱"时，会得到几十条完全相同的字幕结果，必须逐一浏览才能找到目标片段。现有的字幕模型专注于生成高质量的描述，却从未考虑过"唯一性"这一需求。
本文提出的 CDP 框架首次系统性地解决了视频片段的唯一字幕生成问题。它的核心思路是：与其让字幕器独立工作，不如让它"看到"所有相似片段，然后找出每个片段独有的特征，并用这些特征来引导生成。
二、CDP 方法：从判别性提示到唯一字幕
2.1 问题形式化
给定 N 个视频片段集合 V = {v₁, v₂, ..., v_N}，目标是输出一组唯一的字幕 C = {c₁, c₂, ..., c_N}。模型假设已有一个冻结的视频字幕器 Θ(v, p)（可接受可选提示 p）和一个双编码器视频‑文本模型（编码器 f 和 g）。唯一性由余弦相似度条件严格定义（原文 Eq.1）：v_i 与 c_i 的相似度必须大于 v_i 与任何其他 c_j 的相似度，也大于任何其他 v_j 与 c_i 的相似度。
2.2 判别性提示与组合搜索
方法的核心是使用一组固定提示库 B（例如从训练集叙述中提取的高频 N‑gram）。对于每个片段 v_i，系统尝试每个提示 p，计算视频‑字幕相似度 s(v_i, v_i, p)。并定义唯一性余量M(v_i, p) = s(v_i, v_i, p) - max( max_{j≠i} s(v_j, v_i, p), max_{j≠i} s(v_i, v_j, p) )。选择使余量最大的提示作为判别性提示。当单个提示不够时，允许组合最多 α 个提示（默认 α=3），取平均相似度。如果最大余量仍低于阈值 λ（默认 0.1），则通过时间扩展：将片段延长，观察后续不同发展（如"X 然后 Y" vs "X 然后 Z"）。
2.3 CDPNet：高效近似搜索
组合全搜索计算量巨大（O(NP^α)）。为此，训练一个轻量级网络 CDPNet，只用视频片段和提示直接预测相似度，避免实际生成字幕和计算嵌入。CDPNet 是一个 2 层 4 头的 Transformer，总参数量仅 1.6M，预测误差均值为 0，标准差 0.11。最终，CDP 将单片段字幕时间从 4.5 秒增加到 5.8 秒，而不用 CDPNet 的穷举搜索需要 300 秒。
图片来源于原论文
三、数据集与评测基准
为评估唯一字幕生成，作者构建了两个新基准：
3.1 第一视角基准（Egocentric Benchmark）
基于 Ego4D 的 NLQ 训练集，抽取 30K 条重复次数 ≥10 次的叙述，每条随机采样 10 个片段（可跨视频），生成 300K 片段的训练集。评估集为 300 组 × 10 片段，来自 NLQ 验证集，固定不变。提示库从训练集叙述中选取频率最高的 10 个 N‑gram，并手工去除语义相似的条目。最终提示包括："holding", "carrying", "looking at", "picks up", "walks", "opens" 等。
3.2 循环电影基准（Timeloop Movies Benchmark）
利用 Wikipedia 列出的时间循环电影（共 71 部），手工标注重复片段时间戳。要求每部电影至少 3 个重复时刻，且这些时刻视觉上几乎相同。最终得到 10 部电影、63 个片段，每组大小 3-10。由于数据稀缺，训练集使用 Condensed Movie Dataset（非循环电影）构造视觉相似度 >0.92 的 30K 组片段作为代理。
3.3 评测指标
采用标准检索指标：Text→Video R@K, Video→Text R@K, Avg R@1（两者平均值），以及更严格的 Cycle@1（要求 v_i 检索到 c_i 且 c_i 检索回 v_i，等价于 Eq.1 的唯一性条件）。图 5 清晰展示了这些指标的区别。
图片来源于原论文
四、实验结果与关键数据
4.1 第一视角基准 (LaViLa VCLM 作为基础字幕器)
| T (秒) | 方法 | Text→Video R@1 | Avg R@1 | Cycle@1 |
|---|---|---|---|---|
| +0s | LaViLa VCLM | 40% | 34.3% | 22.0% |
| +0s | + CDP | 55% (+15) | 45.0% (+11) | 26.0% (+4) |
| +5s | LaViLa VCLM | 42% | 36.3% | 23.0% |
| +5s | + CDP | 69% (+27) | 57.0% (+21) | 38.6% (+16) |
| +10s | LaViLa VCLM | 45% | 40.5% | 25.3% |
| +10s | + CDP | 77% (+32) | 65.0% (+25) | 47.1% (+22) |
| +30s | LaViLa VCLM | 47% | 43.0% | 27.2% |
| +30s | + CDP | 86% (+39) | 76.0% (+33) | 62.3% (+35) |
T=+0s 表示仅使用当前 5 秒片段；T=+30s 表示可额外访问后续 30 秒内容（共 7 个片段）。CDP 在所有时间步和所有指标上均显著优于基线。
4.2 循环电影基准 (Video-LLaMA 作为基础字幕器)
| T (秒) | 方法 | Text→Video R@1 | Avg R@1 | Cycle@1 |
|---|---|---|---|---|
| 0s | Video-LLaMA | 37% | 35.0% | 18.3% |
| 0s | + CDP | 47% (+10) | 42.0% (+7) | 25.0% (+7) |
| 2s | Video-LLaMA | 39% | 36.5% | 25.4% |
| 2s | + CDP | 51% (+12) | 48.0% (+12) | 32.0% (+7) |
| 4s | Video-LLaMA | 38% | 36.5% | 18.4% |
| 4s | + CDP | 62% (+24) | 53.0% (+17) | 37.4% (+19) |
| 10s | Video-LLaMA | 36% | 35.5% | 18.2% |
| 10s | + CDP | 73% (+37) | 63.0% (+28) | 44.5% (+26) |
循环电影中，随着时间的推移，故事线出现分歧，CDP 能捕获这些差异并生成独特字幕。最大改善为 Avg R@1 +25%，Cycle@1 +26.3%。
4.3 长视频案例研究
在 10 条平均 40.3 分钟的真实第一视角长视频上（每条约 483 个连续 5 秒片段），进行 text→video 检索。CDP（使用 T=+5s）将 R@1 从 12%（LaViLa VCLM）提升至 32%（+20%），R@3 从 20% 提升至 48%（+28%），R@5 从 26% 提升至 56%（+30%）。定性示例中，CDP 能区分"在洗手池前的两个片段"、"推手推车的两个片段（一个走向出口，一个绕仓库）"以及"使用钢笔的不同时刻"。
4.4 消融实验
-
提示组合数 α：α=1 时 Avg R@1 为 47.6%；α=2 时提升至 56.3%；α=2 且增加时间到 +10s 后达到 66.8%。α=3 性能最佳，且性能高于 α=2 的增益随 T 增大更明显。
-
提示贡献：与主动物品（holding, carrying, picks up, looks at）相关的提示被选择最多，且单独使用效果最好。
-
余量阈值 λ：增大 λ 会使得被判定为"唯一"的片段减少，但 Cycle@1 提高，λ=0.1 时两者平衡良好。
-
CDPNet 精度：预测相似度与真实相似度之间误差均值为 0，标准差 0.11，大多数误差在 0.1 以内。
4.5 其他字幕模型验证
在 LaViLa 和 Video-LLaMA 之外，CDP 也提升了 VideoBLIP 模型在 egocentric 基准上的 Avg R@1（从 48.7% 到 52.4%）和 Cycle@1（从 37.5% 到 46.5%），表明方法具有模型无关性。
4.6 定性展示
图 8‑11 展示了丰富的定性结果。例如，egocentric 中三个"looks around the shelves"的片段，CDP 通过"the other man is talking"（clip1）、"looks at shopping list"（clip2）和"picks up"（clip3, 需向后 10s）加以区分。在《土拨鼠之日》中，三个"a man wakes up"片段，CDP 在 2s 时靠"lying down"、6s 时靠"window"特征、10s 时靠其他角色和地点实现唯一标识。
图片来源于原论文
五、总结与未来方向
CDP 首次提出了唯一视频字幕生成任务，并通过判别性提示（从固定提示库中选择）以及可选的时间扩展，为重复性视频片段生成可区分的描述。在两个新基准（第一视角日常视频、时间循环电影）上，CDP 显著提升了 text→video 和 video→text 检索性能，并提供了严格的 Cycle@1 指标来评估完整唯一性。该方法无需微调字幕模型，即插即用，计算开销小。
未来方向包括：学习提示而非使用固定库、跨整个数据集的唯一字幕生成、以及利用多个具有不同专长的字幕模型协同工作。代码和数据完全开源，可从项目网站获取。
