Shot2Story: A New Benchmark for Comprehensive Understanding of Multi-shot Videos
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Han, Mingfei, Yang, Linjie, Chang, Xiaojun, Yao, Lina, Wang, Heng |
|---|---|
| Format: | Preprint |
| Publié: |
2023
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
LongVLM: Efficient Long Video Understanding via Large Language Models
par: Weng, Yuetian, et autres
Publié: (2024)
par: Weng, Yuetian, et autres
Publié: (2024)
StoryAgent: Customized Storytelling Video Generation via Multi-Agent Collaboration
par: Hu, Panwen, et autres
Publié: (2024)
par: Hu, Panwen, et autres
Publié: (2024)
StoryMem: Multi-shot Long Video Storytelling with Memory
par: Zhang, Kaiwen, et autres
Publié: (2025)
par: Zhang, Kaiwen, et autres
Publié: (2025)
MVBench: A Comprehensive Multi-modal Video Understanding Benchmark
par: Li, Kunchang, et autres
Publié: (2023)
par: Li, Kunchang, et autres
Publié: (2023)
Order from Chaos: Physical World Understanding from Glitchy Gameplay Videos
par: Cao, Meng, et autres
Publié: (2026)
par: Cao, Meng, et autres
Publié: (2026)
Progressive Online Video Understanding with Evidence-Aligned Timing and Transparent Decisions
par: Zhang, Kecheng, et autres
Publié: (2026)
par: Zhang, Kecheng, et autres
Publié: (2026)
OneStory: Coherent Multi-Shot Video Generation with Adaptive Memory
par: An, Zhaochong, et autres
Publié: (2025)
par: An, Zhaochong, et autres
Publié: (2025)
ViStoryBench: Comprehensive Benchmark Suite for Story Visualization
par: Zhuang, Cailin, et autres
Publié: (2025)
par: Zhuang, Cailin, et autres
Publié: (2025)
Self-Consistency as a Free Lunch: Reducing Hallucinations in Vision-Language Models via Self-Reflection
par: Han, Mingfei, et autres
Publié: (2025)
par: Han, Mingfei, et autres
Publié: (2025)
Flexiffusion: Segment-wise Neural Architecture Search for Flexible Denoising Schedule
par: Huang, Hongtao, et autres
Publié: (2024)
par: Huang, Hongtao, et autres
Publié: (2024)
ProactiveVideoQA: A Comprehensive Benchmark Evaluating Proactive Interactions in Video Large Language Models
par: Wang, Yueqian, et autres
Publié: (2025)
par: Wang, Yueqian, et autres
Publié: (2025)
Two-stream Multi-level Dynamic Point Transformer for Two-person Interaction Recognition
par: Liu, Yao, et autres
Publié: (2023)
par: Liu, Yao, et autres
Publié: (2023)
MuSS: A Large-Scale Dataset and Cinematic Narrative Benchmark for Multi-Shot Subject-to-Video Generation
par: Zhang, Haojie, et autres
Publié: (2026)
par: Zhang, Haojie, et autres
Publié: (2026)
MMBench-Video: A Long-Form Multi-Shot Benchmark for Holistic Video Understanding
par: Fang, Xinyu, et autres
Publié: (2024)
par: Fang, Xinyu, et autres
Publié: (2024)
Video-MME-v2: Towards the Next Stage in Benchmarks for Comprehensive Video Understanding
par: Fu, Chaoyou, et autres
Publié: (2026)
par: Fu, Chaoyou, et autres
Publié: (2026)
OmniPro: A Comprehensive Benchmark for Omni-Proactive Streaming Video Understanding
par: Zhao, Ruixiang, et autres
Publié: (2026)
par: Zhao, Ruixiang, et autres
Publié: (2026)
Mitigating Data Redundancy to Revitalize Transformer-based Long-Term Time Series Forecasting System
par: Li, Mingjie, et autres
Publié: (2022)
par: Li, Mingjie, et autres
Publié: (2022)
MSAVBench: Towards Comprehensive and Reliable Evaluation of Multi-Shot Audio-Video Generation
par: Wei, Yujie, et autres
Publié: (2026)
par: Wei, Yujie, et autres
Publié: (2026)
H2VU-Benchmark: A Comprehensive Benchmark for Hierarchical Holistic Video Understanding
par: Wu, Qi, et autres
Publié: (2025)
par: Wu, Qi, et autres
Publié: (2025)
Beyond Dense Futures: World Models as Structured Planners for Robotic Manipulation
par: Jin, Minghao, et autres
Publié: (2026)
par: Jin, Minghao, et autres
Publié: (2026)
CoNav: Collaborative Cross-Modal Reasoning for Embodied Navigation
par: Hao, Haihong, et autres
Publié: (2025)
par: Hao, Haihong, et autres
Publié: (2025)
WorldWeaver: Generating Long-Horizon Video Worlds via Rich Perception
par: Liu, Zhiheng, et autres
Publié: (2025)
par: Liu, Zhiheng, et autres
Publié: (2025)
IPFormer-VideoLLM: Enhancing Multi-modal Video Understanding for Multi-shot Scenes
par: Liang, Yujia, et autres
Publié: (2025)
par: Liang, Yujia, et autres
Publié: (2025)
Flexiffusion: Training-Free Segment-Wise Neural Architecture Search for Efficient Diffusion Models
par: Huang, Hongtao, et autres
Publié: (2025)
par: Huang, Hongtao, et autres
Publié: (2025)
Adaptive Multi-source Predictor for Zero-shot Video Object Segmentation
par: Zhao, Xiaoqi, et autres
Publié: (2023)
par: Zhao, Xiaoqi, et autres
Publié: (2023)
Towards Long Video Understanding via Fine-detailed Video Story Generation
par: You, Zeng, et autres
Publié: (2024)
par: You, Zeng, et autres
Publié: (2024)
FriendsQA: A New Large-Scale Deep Video Understanding Dataset with Fine-grained Topic Categorization for Story Videos
par: Wu, Zhengqian, et autres
Publié: (2024)
par: Wu, Zhengqian, et autres
Publié: (2024)
Shot2Tactic-Caption: Multi-Scale Captioning of Badminton Videos for Tactical Understanding
par: Ding, Ning, et autres
Publié: (2025)
par: Ding, Ning, et autres
Publié: (2025)
Implicit Geometry Representations for Vision-and-Language Navigation from Web Videos
par: Han, Mingfei, et autres
Publié: (2026)
par: Han, Mingfei, et autres
Publié: (2026)
AutoGUI-v2: A Comprehensive Multi-Modal GUI Functionality Understanding Benchmark
par: Li, Hongxin, et autres
Publié: (2026)
par: Li, Hongxin, et autres
Publié: (2026)
InfinityStory: Unlimited Video Generation with World Consistency and Character-Aware Shot Transitions
par: Elmoghany, Mohamed, et autres
Publié: (2026)
par: Elmoghany, Mohamed, et autres
Publié: (2026)
MVPBench: A Multi-Video Perception Evaluation Benchmark for Multi-Modal Video Understanding
par: Bai, Purui, et autres
Publié: (2026)
par: Bai, Purui, et autres
Publié: (2026)
StoryTailor:A Zero-Shot Pipeline for Action-Rich Multi-Subject Visual Narratives
par: Hu, Jinghao, et autres
Publié: (2026)
par: Hu, Jinghao, et autres
Publié: (2026)
SVBench: A Benchmark with Temporal Multi-Turn Dialogues for Streaming Video Understanding
par: Yang, Zhenyu, et autres
Publié: (2025)
par: Yang, Zhenyu, et autres
Publié: (2025)
From Shots to Stories: LLM-Assisted Video Editing with Unified Language Representations
par: Li, Yuzhi, et autres
Publié: (2025)
par: Li, Yuzhi, et autres
Publié: (2025)
GeoSense: Internalizing Geometric Necessity Perception for Multimodal Reasoning
par: Liu, Ruiheng, et autres
Publié: (2026)
par: Liu, Ruiheng, et autres
Publié: (2026)
Few-Shot Referring Video Single- and Multi-Object Segmentation via Cross-Modal Affinity with Instance Sequence Matching
par: Liu, Heng, et autres
Publié: (2025)
par: Liu, Heng, et autres
Publié: (2025)
LongInsightBench: A Comprehensive Benchmark for Evaluating Omni-Modal Models on Human-Centric Long-Video Understanding
par: Han, ZhaoYang, et autres
Publié: (2025)
par: Han, ZhaoYang, et autres
Publié: (2025)
CoMix: A Comprehensive Benchmark for Multi-Task Comic Understanding
par: Vivoli, Emanuele, et autres
Publié: (2024)
par: Vivoli, Emanuele, et autres
Publié: (2024)
OmniMMI: A Comprehensive Multi-modal Interaction Benchmark in Streaming Video Contexts
par: Wang, Yuxuan, et autres
Publié: (2025)
par: Wang, Yuxuan, et autres
Publié: (2025)
Documents similaires
-
LongVLM: Efficient Long Video Understanding via Large Language Models
par: Weng, Yuetian, et autres
Publié: (2024) -
StoryAgent: Customized Storytelling Video Generation via Multi-Agent Collaboration
par: Hu, Panwen, et autres
Publié: (2024) -
StoryMem: Multi-shot Long Video Storytelling with Memory
par: Zhang, Kaiwen, et autres
Publié: (2025) -
MVBench: A Comprehensive Multi-modal Video Understanding Benchmark
par: Li, Kunchang, et autres
Publié: (2023) -
Order from Chaos: Physical World Understanding from Glitchy Gameplay Videos
par: Cao, Meng, et autres
Publié: (2026)