Buchumschlag

Beyond Raw Videos: Understanding Edited Videos with Large Multimodal Model

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Xu, Lu, Zhu, Sijie, Li, Chunyuan, Kuo, Chia-Wen, Chen, Fan, Wang, Xinyao, Chen, Guang, Du, Dawei, Yuan, Ye, Wen, Longyin
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

VEBench:Benchmarking Large Multimodal Models for Real-World Video Editing
von: Deng, Andong, et al.
Veröffentlicht: (2026)

Vidi: Large Multimodal Models for Video Understanding and Editing
von: Vidi Team, et al.
Veröffentlicht: (2025)

D-Attn: Decomposed Attention for Large Vision-and-Language Models
von: Kuo, Chia-Wen, et al.
Veröffentlicht: (2025)

CuMo: Scaling Multimodal LLM with Co-Upcycled Mixture-of-Experts
von: Li, Jiachen, et al.
Veröffentlicht: (2024)

Edit3K: Universal Representation Learning for Video Editing Components
von: Gu, Xin, et al.
Veröffentlicht: (2024)

Vidi2.5: Large Multimodal Models for Video Understanding and Creation
von: Vidi Team, et al.
Veröffentlicht: (2025)

Where do Large Vision-Language Models Look at when Answering Questions?
von: Xing, Xiaoying, et al.
Veröffentlicht: (2025)

Thinking With Bounding Boxes: Enhancing Spatio-Temporal Video Grounding via Reinforcement Fine-Tuning
von: Gu, Xin, et al.
Veröffentlicht: (2025)

SuperEdit: Rectifying and Facilitating Supervision for Instruction-Based Image Editing
von: Li, Ming, et al.
Veröffentlicht: (2025)

Multi-Reward as Condition for Instruction-based Image Editing
von: Gu, Xin, et al.
Veröffentlicht: (2024)

CyberV: Cybernetics for Test-time Scaling in Video Understanding
von: Meng, Jiahao, et al.
Veröffentlicht: (2025)

Accurate and Fast Compressed Video Captioning
von: Shen, Yaojie, et al.
Veröffentlicht: (2023)

UniVideo: Unified Understanding, Generation, and Editing for Videos
von: Wei, Cong, et al.
Veröffentlicht: (2025)

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

Engagement Prediction of Short Videos with Large Multimodal Models
von: Sun, Wei, et al.
Veröffentlicht: (2025)

Referring Layer Decomposition
von: Chen, Fangyi, et al.
Veröffentlicht: (2026)

From Long Videos to Engaging Clips: A Human-Inspired Video Editing Framework with Multimodal Narrative Understanding
von: Wang, Xiangfeng, et al.
Veröffentlicht: (2025)

Learning Compact Video Representations for Efficient Long-form Video Understanding in Large Multimodal Models
von: Chen, Yuxiao, et al.
Veröffentlicht: (2026)

A Survey on Video Temporal Grounding with Multimodal Large Language Model
von: Wu, Jianlong, et al.
Veröffentlicht: (2025)

VideoAgent: A Memory-augmented Multimodal Agent for Video Understanding
von: Fan, Yue, et al.
Veröffentlicht: (2024)

SAMA: Factorized Semantic Anchoring and Motion Alignment for Instruction-Guided Video Editing
von: Zhang, Xinyao, et al.
Veröffentlicht: (2026)

TGT: Text-Grounded Trajectories for Locally Controlled Video Generation
von: Zhang, Guofeng, et al.
Veröffentlicht: (2025)

Beyond Rigid: Benchmarking Non-Rigid Video Editing
von: Qu, Bingzheng, et al.
Veröffentlicht: (2026)

VEU-Bench: Towards Comprehensive Understanding of Video Editing
von: Li, Bozheng, et al.
Veröffentlicht: (2025)

LongCaptioning: Unlocking the Power of Long Video Caption Generation in Large Multimodal Models
von: Wei, Hongchen, et al.
Veröffentlicht: (2025)

REVISOR: Beyond Textual Reflection, Towards Multimodal Introspective Reasoning in Long-Form Video Understanding
von: Li, Jiaze, et al.
Veröffentlicht: (2025)

Benchmarking the Trustworthiness in Multimodal LLMs for Video Understanding
von: Wang, Youze, et al.
Veröffentlicht: (2025)

Alignment-free Raw Video Demoireing
von: Xu, Shuning, et al.
Veröffentlicht: (2024)

REGen: Multimodal Retrieval-Embedded Generation for Long-to-Short Video Editing
von: Xu, Weihan, et al.
Veröffentlicht: (2025)

Structured Context Learning for Generic Event Boundary Detection
von: Gu, Xin, et al.
Veröffentlicht: (2025)

EchoFoley: Event-Centric Hierarchical Control for Video Grounded Creative Sound Generation
von: Li, Bingxuan, et al.
Veröffentlicht: (2025)

Long Video Understanding with Learnable Retrieval in Video-Language Models
von: Xu, Jiaqi, et al.
Veröffentlicht: (2023)

Mixup Helps Understanding Multimodal Video Better
von: Ma, Xiaoyu, et al.
Veröffentlicht: (2025)

VideoLLaMA 3: Frontier Multimodal Foundation Models for Image and Video Understanding
von: Zhang, Boqiang, et al.
Veröffentlicht: (2025)

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

Towards Sparse Video Understanding and Reasoning
von: Xu, Chenwei, et al.
Veröffentlicht: (2026)

VideoGrain: Modulating Space-Time Attention for Multi-grained Video Editing
von: Yang, Xiangpeng, et al.
Veröffentlicht: (2025)

In-Context Learning with Unpaired Clips for Instruction-based Video Editing
von: Liao, Xinyao, et al.
Veröffentlicht: (2025)

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

Beyond Single-Sample: Reliable Multi-Sample Distillation for Video Understanding
von: Li, Songlin, et al.
Veröffentlicht: (2026)