:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Han, Mingfei, Yang, Linjie, Chang, Xiaojun, Yao, Lina, Wang, Heng
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	https://arxiv.org/abs/2312.10300
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

LongVLM: Efficient Long Video Understanding via Large Language Models
von: Weng, Yuetian, et al.
Veröffentlicht: (2024)

StoryAgent: Customized Storytelling Video Generation via Multi-Agent Collaboration
von: Hu, Panwen, et al.
Veröffentlicht: (2024)

Order from Chaos: Physical World Understanding from Glitchy Gameplay Videos
von: Cao, Meng, et al.
Veröffentlicht: (2026)

Progressive Online Video Understanding with Evidence-Aligned Timing and Transparent Decisions
von: Zhang, Kecheng, et al.
Veröffentlicht: (2026)

StoryMem: Multi-shot Long Video Storytelling with Memory
von: Zhang, Kaiwen, et al.
Veröffentlicht: (2025)

Self-Consistency as a Free Lunch: Reducing Hallucinations in Vision-Language Models via Self-Reflection
von: Han, Mingfei, et al.
Veröffentlicht: (2025)

MVBench: A Comprehensive Multi-modal Video Understanding Benchmark
von: Li, Kunchang, et al.
Veröffentlicht: (2023)

Flexiffusion: Segment-wise Neural Architecture Search for Flexible Denoising Schedule
von: Huang, Hongtao, et al.
Veröffentlicht: (2024)

Two-stream Multi-level Dynamic Point Transformer for Two-person Interaction Recognition
von: Liu, Yao, et al.
Veröffentlicht: (2023)

Mitigating Data Redundancy to Revitalize Transformer-based Long-Term Time Series Forecasting System
von: Li, Mingjie, et al.
Veröffentlicht: (2022)

OneStory: Coherent Multi-Shot Video Generation with Adaptive Memory
von: An, Zhaochong, et al.
Veröffentlicht: (2025)

ViStoryBench: Comprehensive Benchmark Suite for Story Visualization
von: Zhuang, Cailin, et al.
Veröffentlicht: (2025)

MuSS: A Large-Scale Dataset and Cinematic Narrative Benchmark for Multi-Shot Subject-to-Video Generation
von: Zhang, Haojie, et al.
Veröffentlicht: (2026)

ProactiveVideoQA: A Comprehensive Benchmark Evaluating Proactive Interactions in Video Large Language Models
von: Wang, Yueqian, et al.
Veröffentlicht: (2025)

Beyond Dense Futures: World Models as Structured Planners for Robotic Manipulation
von: Jin, Minghao, et al.
Veröffentlicht: (2026)

CoNav: Collaborative Cross-Modal Reasoning for Embodied Navigation
von: Hao, Haihong, et al.
Veröffentlicht: (2025)

Flexiffusion: Training-Free Segment-Wise Neural Architecture Search for Efficient Diffusion Models
von: Huang, Hongtao, et al.
Veröffentlicht: (2025)

WorldWeaver: Generating Long-Horizon Video Worlds via Rich Perception
von: Liu, Zhiheng, et al.
Veröffentlicht: (2025)

MMBench-Video: A Long-Form Multi-Shot Benchmark for Holistic Video Understanding
von: Fang, Xinyu, et al.
Veröffentlicht: (2024)

Video-MME-v2: Towards the Next Stage in Benchmarks for Comprehensive Video Understanding
von: Fu, Chaoyou, et al.
Veröffentlicht: (2026)

OmniPro: A Comprehensive Benchmark for Omni-Proactive Streaming Video Understanding
von: Zhao, Ruixiang, et al.
Veröffentlicht: (2026)

H2VU-Benchmark: A Comprehensive Benchmark for Hierarchical Holistic Video Understanding
von: Wu, Qi, et al.
Veröffentlicht: (2025)

Implicit Geometry Representations for Vision-and-Language Navigation from Web Videos
von: Han, Mingfei, et al.
Veröffentlicht: (2026)

IPFormer-VideoLLM: Enhancing Multi-modal Video Understanding for Multi-shot Scenes
von: Liang, Yujia, et al.
Veröffentlicht: (2025)

MSAVBench: Towards Comprehensive and Reliable Evaluation of Multi-Shot Audio-Video Generation
von: Wei, Yujie, et al.
Veröffentlicht: (2026)

GeoSense: Internalizing Geometric Necessity Perception for Multimodal Reasoning
von: Liu, Ruiheng, et al.
Veröffentlicht: (2026)

Adaptive Multi-source Predictor for Zero-shot Video Object Segmentation
von: Zhao, Xiaoqi, et al.
Veröffentlicht: (2023)

RoomTour3D: Geometry-Aware Video-Instruction Tuning for Embodied Navigation
von: Han, Mingfei, et al.
Veröffentlicht: (2024)

Towards Long Video Understanding via Fine-detailed Video Story Generation
von: You, Zeng, et al.
Veröffentlicht: (2024)

FriendsQA: A New Large-Scale Deep Video Understanding Dataset with Fine-grained Topic Categorization for Story Videos
von: Wu, Zhengqian, et al.
Veröffentlicht: (2024)

StoryTailor:A Zero-Shot Pipeline for Action-Rich Multi-Subject Visual Narratives
von: Hu, Jinghao, et al.
Veröffentlicht: (2026)

InfinityStory: Unlimited Video Generation with World Consistency and Character-Aware Shot Transitions
von: Elmoghany, Mohamed, et al.
Veröffentlicht: (2026)

Token Painter: Training-Free Text-Guided Image Inpainting via Mask Autoregressive Models
von: Jiang, Longtao, et al.
Veröffentlicht: (2025)

AutoGUI-v2: A Comprehensive Multi-Modal GUI Functionality Understanding Benchmark
von: Li, Hongxin, et al.
Veröffentlicht: (2026)

Shot2Tactic-Caption: Multi-Scale Captioning of Badminton Videos for Tactical Understanding
von: Ding, Ning, et al.
Veröffentlicht: (2025)

LongInsightBench: A Comprehensive Benchmark for Evaluating Omni-Modal Models on Human-Centric Long-Video Understanding
von: Han, ZhaoYang, et al.
Veröffentlicht: (2025)

Few-Shot Referring Video Single- and Multi-Object Segmentation via Cross-Modal Affinity with Instance Sequence Matching
von: Liu, Heng, et al.
Veröffentlicht: (2025)

From Shots to Stories: LLM-Assisted Video Editing with Unified Language Representations
von: Li, Yuzhi, et al.
Veröffentlicht: (2025)

Can MLLMs Reason in Multimodality? EMMA: An Enhanced MultiModal ReAsoning Benchmark
von: Hao, Yunzhuo, et al.
Veröffentlicht: (2025)

SVBench: A Benchmark with Temporal Multi-Turn Dialogues for Streaming Video Understanding
von: Yang, Zhenyu, et al.
Veröffentlicht: (2025)