Copertina

Structured Video-Language Modeling with Temporal Grouping and Spatial Grounding

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Xiong, Yuanhao, Zhao, Long, Gong, Boqing, Yang, Ming-Hsuan, Schroff, Florian, Liu, Ting, Hsieh, Cho-Jui, Yuan, Liangzhe
Natura:	Preprint
Pubblicazione:	2023
Soggetti:	Computer Vision and Pattern Recognition
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

Distilling Vision-Language Models on Millions of Videos
di: Zhao, Yue, et al.
Pubblicazione: (2024)

VideoGLUE: Video General Understanding Evaluation of Foundation Models
di: Yuan, Liangzhe, et al.
Pubblicazione: (2023)

On Discrete Prompt Optimization for Diffusion Models
di: Wang, Ruochen, et al.
Pubblicazione: (2024)

Understanding the Impact of Negative Prompts: When and How Do They Take Effect?
di: Ban, Yuanhao, et al.
Pubblicazione: (2024)

The Crystal Ball Hypothesis in diffusion models: Anticipating object positions from initial noise
di: Ban, Yuanhao, et al.
Pubblicazione: (2024)

VideoPrism: A Foundational Visual Encoder for Video Understanding
di: Zhao, Long, et al.
Pubblicazione: (2024)

One-Forcing: Towards Stable One-Step Autoregressive Video Generation
di: Feng, Jiaqi, et al.
Pubblicazione: (2026)

Image Diffusion Preview with Consistency Solver
di: Wang, Fu-Yun, et al.
Pubblicazione: (2025)

Mitigating Bias in Dataset Distillation
di: Cui, Justin, et al.
Pubblicazione: (2024)

Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Grounding
di: Wasim, Syed Talal, et al.
Pubblicazione: (2023)

IRIS: Intrinsic Reward Image Synthesis
di: Chen, Yihang, et al.
Pubblicazione: (2025)

T2SGrid: Temporal-to-Spatial Gridification for Video Temporal Grounding
di: Guo, Chaohong, et al.
Pubblicazione: (2026)

LoL: Longer than Longer, Scaling Video Generation to Hour
di: Cui, Justin, et al.
Pubblicazione: (2026)

Self-Forcing++: Towards Minute-Scale High-Quality Video Generation
di: Cui, Justin, et al.
Pubblicazione: (2025)

AutoRubric-T2I: Robust Rule-Based Reward Model for Text-to-Image Alignment
di: Kao, Kuei-Chun, et al.
Pubblicazione: (2026)

Spatial-Temporal Multi-level Association for Video Object Segmentation
di: Miao, Deshui, et al.
Pubblicazione: (2024)

LiteFrame: Efficient Vision Encoders Unlock Frame Scaling in Video LLMs
di: Kim, Jihwan, et al.
Pubblicazione: (2026)

Video Creation by Demonstration
di: Sun, Yihong, et al.
Pubblicazione: (2024)

Moiré Video Authentication: A Physical Signature Against AI Video Generation
di: Qing, Yuan, et al.
Pubblicazione: (2026)

How Should Video LLMs Output Time? An Analysis of Efficient Temporal Grounding Paradigms
di: Jin, Shengji, et al.
Pubblicazione: (2026)

Detector-Empowered Video Large Language Model for Efficient Spatio-Temporal Grounding
di: Gao, Shida, et al.
Pubblicazione: (2025)

Lifting Data-Tracing Machine Unlearning to Knowledge-Tracing for Foundation Models
di: Tan, Yuwen, et al.
Pubblicazione: (2025)

GroundVTS: Visual Token Sampling in Multimodal Large Language Models for Video Temporal Grounding
di: Fan, Rong, et al.
Pubblicazione: (2026)

Text is All You Need for Vision-Language Model Jailbreaking
di: Chen, Yihang, et al.
Pubblicazione: (2026)

The LLM Bottleneck: Why Open-Source Vision LLMs Struggle with Hierarchical Visual Recognition
di: Tan, Yuwen, et al.
Pubblicazione: (2025)

Ego2Web: A Web Agent Benchmark Grounded in Egocentric Videos
di: Yu, Shoubin, et al.
Pubblicazione: (2026)

Embedding Space Selection for Detecting Memorization and Fingerprinting in Generative Models
di: He, Jack, et al.
Pubblicazione: (2024)

VideoAds for Fast-Paced Video Understanding
di: Zhang, Zheyuan, et al.
Pubblicazione: (2025)

PLMM: Personal Large Language Models on Mobile Devices
di: Gong, Yuanhao
Pubblicazione: (2023)

Extending Video Masked Autoencoders to 128 frames
di: Gundavarapu, Nitesh Bharadwaj, et al.
Pubblicazione: (2024)

TimeExpert: An Expert-Guided Video LLM for Video Temporal Grounding
di: Yang, Zuhao, et al.
Pubblicazione: (2025)

Collaborative Temporal Consistency Learning for Point-supervised Natural Language Video Localization
di: Tao, Zhuo, et al.
Pubblicazione: (2025)

Spatial Degradation-Aware and Temporal Consistent Diffusion Model for Compressed Video Super-Resolution
di: An, Hongyu, et al.
Pubblicazione: (2025)

Culture in Action: Evaluating Text-to-Image Models through Social Activities
di: Malakouti, Sina, et al.
Pubblicazione: (2025)

Learning Spatial Adaptation and Temporal Coherence in Diffusion Models for Video Super-Resolution
di: Chen, Zhikai, et al.
Pubblicazione: (2024)

ChatVTG: Video Temporal Grounding via Chat with Video Dialogue Large Language Models
di: Qu, Mengxue, et al.
Pubblicazione: (2024)

PAS: A Training-Free Stabilizer for Temporal Encoding in Video LLMs
di: Sun, Bowen, et al.
Pubblicazione: (2025)

Scanning Only Once: An End-to-end Framework for Fast Temporal Grounding in Long Videos
di: Pan, Yulin, et al.
Pubblicazione: (2023)

Grounded-VideoLLM: Sharpening Fine-grained Temporal Grounding in Video Large Language Models
di: Wang, Haibo, et al.
Pubblicazione: (2024)

SITE: towards Spatial Intelligence Thorough Evaluation
di: Wang, Wenqi, et al.
Pubblicazione: (2025)