Buchumschlag

Vamos: Versatile Action Models for Video Understanding

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Shijie, Zhao, Qi, Do, Minh Quan, Agarwal, Nakul, Lee, Kwonjoon, Sun, Chen
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

AntGPT: Can Large Language Models Help Long-term Action Anticipation from Videos?
von: Zhao, Qi, et al.
Veröffentlicht: (2023)

Can't make an Omelette without Breaking some Eggs: Plausible Action Anticipation using Large Video-Language Models
von: Mittal, Himangi, et al.
Veröffentlicht: (2024)

ViCor: Bridging Visual Understanding and Commonsense Reasoning with Large Language Models
von: Zhou, Kaiwen, et al.
Veröffentlicht: (2023)

VideoVista: A Versatile Benchmark for Video Understanding and Reasoning
von: Li, Yunxin, et al.
Veröffentlicht: (2024)

Enabling Versatile Controls for Video Diffusion Models
von: Zhang, Xu, et al.
Veröffentlicht: (2025)

Can Hallucination Correction Improve Video-Language Alignment?
von: Zhao, Lingjun, et al.
Veröffentlicht: (2025)

TimeMarker: A Versatile Video-LLM for Long and Short Video Understanding with Superior Temporal Localization Ability
von: Chen, Shimin, et al.
Veröffentlicht: (2024)

Mantis: A Versatile Vision-Language-Action Model with Disentangled Visual Foresight
von: Yang, Yi, et al.
Veröffentlicht: (2025)

VidLaDA: Bidirectional Diffusion Large Language Models for Efficient Video Understanding
von: He, Zhihao, et al.
Veröffentlicht: (2026)

Contact-Aware Amodal Completion for Human-Object Interaction via Multi-Regional Inpainting
von: Chi, Seunggeun, et al.
Veröffentlicht: (2025)

ACE: Action Concept Enhancement of Video-Language Models in Procedural Videos
von: Ghoddoosian, Reza, et al.
Veröffentlicht: (2024)

VideoWeave: A Data-Centric Approach for Efficient Video Understanding
von: Durante, Zane, et al.
Veröffentlicht: (2026)

Personalized Video Summarization by Multimodal Video Understanding
von: Chen, Brian, et al.
Veröffentlicht: (2024)

DocPedia: Unleashing the Power of Large Multimodal Model in the Frequency Domain for Versatile Document Understanding
von: Feng, Hao, et al.
Veröffentlicht: (2023)

Understanding the Role of Hallucination in Reinforcement Post-Training of Multimodal Reasoning Models
von: Zhang, Gengwei, et al.
Veröffentlicht: (2026)

Vid-SME: Membership Inference Attacks against Large Video Understanding Models
von: Li, Qi, et al.
Veröffentlicht: (2025)

SV3.3B: A Sports Video Understanding Model for Action Recognition
von: Kodathala, Sai Varun, et al.
Veröffentlicht: (2025)

InstrAct: Towards Action-Centric Understanding in Instructional Videos
von: Yang, Zhuoyi, et al.
Veröffentlicht: (2026)

VideoTemp-o3: Harmonizing Temporal Grounding and Video Understanding in Agentic Thinking-with-Videos
von: Liu, Wenqi, et al.
Veröffentlicht: (2026)

EGOILLUSION: Benchmarking Hallucinations in Egocentric Video Understanding
von: Seth, Ashish, et al.
Veröffentlicht: (2025)

Evaluating Large Vision-language Models for Surgical Tool Detection
von: Poudel, Nakul, et al.
Veröffentlicht: (2026)

SurgLLM: A Versatile Large Multimodal Model with Spatial Focus and Temporal Awareness for Surgical Video Understanding
von: Chen, Zhen, et al.
Veröffentlicht: (2025)

VideoRewardBench: Comprehensive Evaluation of Multimodal Reward Models for Video Understanding
von: Zhang, Zhihong, et al.
Veröffentlicht: (2025)

LLaVA-Octopus: Unlocking Instruction-Driven Adaptive Projector Fusion for Video Understanding
von: Sun, Boyuan, et al.
Veröffentlicht: (2025)

VERHallu: Evaluating and Mitigating Event Relation Hallucination in Video Large Language Models
von: Zhang, Zefan, et al.
Veröffentlicht: (2026)

Tarsier2: Advancing Large Vision-Language Models from Detailed Video Description to Comprehensive Video Understanding
von: Yuan, Liping, et al.
Veröffentlicht: (2025)

Occlusion-Aware Temporally Consistent Amodal Completion for 3D Human-Object Interaction Reconstruction
von: Doh, Hyungjun, et al.
Veröffentlicht: (2025)

Kiwi-Edit: Versatile Video Editing via Instruction and Reference Guidance
von: Lin, Yiqi, et al.
Veröffentlicht: (2026)

MESH -- Understanding Videos Like Human: Measuring Hallucinations in Large Video Models
von: Yang, Garry, et al.
Veröffentlicht: (2025)

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

Towards Scalable Foundation Model for Multi-modal and Hyperspectral Geospatial Data
von: Si, Haozhe, et al.
Veröffentlicht: (2025)

CombatVLA: An Efficient Vision-Language-Action Model for Combat Tasks in 3D Action Role-Playing Games
von: Chen, Peng, et al.
Veröffentlicht: (2025)

PatentLMM: Large Multimodal Model for Generating Descriptions for Patent Figures
von: Shukla, Shreya, et al.
Veröffentlicht: (2025)

CogStream: Context-guided Streaming Video Question Answering
von: Zhao, Zicheng, et al.
Veröffentlicht: (2025)

Do Pre-trained Vision-Language Models Encode Object States?
von: Newman, Kaleb, et al.
Veröffentlicht: (2024)

Fewer Tokens and Fewer Videos: Extending Video Understanding Abilities in Large Vision-Language Models
von: Chen, Shimin, et al.
Veröffentlicht: (2024)

Scaling the Long Video Understanding of Multimodal Large Language Models via Visual Memory Mechanism
von: Chen, Tao, et al.
Veröffentlicht: (2026)

LEMON: How Well Do MLLMs Perform Temporal Multimodal Understanding on Instructional Videos?
von: Yu, Zhuang, et al.
Veröffentlicht: (2026)

Active Video Perception: Iterative Evidence Seeking for Agentic Long Video Understanding
von: Wang, Ziyang, et al.
Veröffentlicht: (2025)

SkateboardAI: The Coolest Video Action Recognition for Skateboarding
von: Chen, Hanxiao
Veröffentlicht: (2023)