本文介绍了CLIP2Video网络在视频文本检索中的应用，利用预训练的图像语言模型，通过两个阶段的框架提升多模态相关性。研究提出的新方法和模型如WAVER和TOPA，在多个数据集上表现优异，提升了文本到视频检索的效率与准确性。

WAVER 是一种用于处理文本 - 视频检索任务中的写作风格变化的交叉领域知识蒸馏机制，通过利用预训练的视觉语言模型中的开放词汇属性，达到从教师模型向视觉学生模型转移文本知识的目的，并在四个标准基准数据集上的实证研究中取得了最先进的表现。