Buchumschlag

Hierarchical Memory for Long Video QA

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Yiqin, Zhang, Haoji, Tang, Yansong, Liu, Yong, Feng, Jiashi, Dai, Jifeng, Jin, Xiaojie
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

Flash-VStream: Memory-Based Real-Time Understanding for Long Video Streams
von: Zhang, Haoji, et al.
Veröffentlicht: (2024)

Flash-VStream: Efficient Real-Time Understanding for Long Video Streams
von: Zhang, Haoji, et al.
Veröffentlicht: (2025)

Ponder & Press: Advancing Visual GUI Agent towards General Computer Control
von: Wang, Yiqin, et al.
Veröffentlicht: (2024)

Thinking With Videos: Multimodal Tool-Augmented Reinforcement Learning for Long Video Reasoning
von: Zhang, Haoji, et al.
Veröffentlicht: (2025)

VG-Refiner: Towards Tool-Refined Referring Grounded Reasoning via Agentic Reinforcement Learning
von: Wang, Yuji, et al.
Veröffentlicht: (2025)

Vista-LLaMA: Reducing Hallucination in Video Language Models via Equal Distance to Visual Tokens
von: Ma, Fan, et al.
Veröffentlicht: (2023)

VideoWorld: Exploring Knowledge Learning from Unlabeled Videos
von: Ren, Zhongwei, et al.
Veröffentlicht: (2025)

Video-in-the-Loop: Span-Grounded Long Video QA with Interleaved Reasoning
von: Wang, Chendong, et al.
Veröffentlicht: (2025)

Self-Calibrated CLIP for Training-Free Open-Vocabulary Segmentation
von: Bai, Sule, et al.
Veröffentlicht: (2024)

MV-Adapter: Multimodal Video Transfer Learning for Video Text Retrieval
von: Jin, Xiaojie, et al.
Veröffentlicht: (2023)

UniVG-R1: Reasoning Guided Universal Visual Grounding with Reinforcement Learning
von: Bai, Sule, et al.
Veröffentlicht: (2025)

VideoWorld 2: Learning Transferable Knowledge from Real-world Videos
von: Ren, Zhongwei, et al.
Veröffentlicht: (2026)

LOGO: A Long-Form Video Dataset for Group Action Quality Assessment
von: Zhang, Shiyi, et al.
Veröffentlicht: (2024)

VideoMem: Enhancing Ultra-Long Video Understanding via Adaptive Memory Management
von: Jin, Hongbo, et al.
Veröffentlicht: (2025)

StoryDiffusion: Consistent Self-Attention for Long-Range Image and Video Generation
von: Zhou, Yupeng, et al.
Veröffentlicht: (2024)

Loong: Generating Minute-level Long Videos with Autoregressive Language Models
von: Wang, Yuqing, et al.
Veröffentlicht: (2024)

Memorize-and-Generate: Towards Long-Term Consistency in Real-Time Video Generation
von: Zhu, Tianrui, et al.
Veröffentlicht: (2025)

SpatialMem: Metric-Aligned Long-Horizon Video Memory for Language Grounding and QA
von: Zheng, Xinyi, et al.
Veröffentlicht: (2026)

CoMemo: LVLMs Need Image Context with Image Memory
von: Liu, Shi, et al.
Veröffentlicht: (2025)

WorldQA: Multimodal World Knowledge in Videos through Long-Chain Reasoning
von: Zhang, Yuanhan, et al.
Veröffentlicht: (2024)

Video Depth Anything: Consistent Depth Estimation for Super-Long Videos
von: Chen, Sili, et al.
Veröffentlicht: (2025)

Fully Aligned Network for Referring Image Segmentation
von: Liu, Yong, et al.
Veröffentlicht: (2024)

FDDet: Achieving Data-Efficient Food Defect Detection Under Real-World Scenarios
von: Xu, Ruihao, et al.
Veröffentlicht: (2026)

VideoLucy: Deep Memory Backtracking for Long Video Understanding
von: Zuo, Jialong, et al.
Veröffentlicht: (2025)

Long-Video Audio Synthesis with Multi-Agent Collaboration
von: Zhang, Yehang, et al.
Veröffentlicht: (2025)

PixelLM: Pixel Reasoning with Large Multimodal Model
von: Ren, Zhongwei, et al.
Veröffentlicht: (2023)

Grounded Multi-Hop VideoQA in Long-Form Egocentric Videos
von: Chen, Qirui, et al.
Veröffentlicht: (2024)

Advancing Narrative Long Video Generation via Training-Free Identity-Aware Memory
von: Liu, Jinzhuo, et al.
Veröffentlicht: (2026)

Context as Memory: Scene-Consistent Interactive Long Video Generation with Memory Retrieval
von: Yu, Jiwen, et al.
Veröffentlicht: (2025)

Enhancing Long Video Understanding via Hierarchical Event-Based Memory
von: Cheng, Dingxin, et al.
Veröffentlicht: (2024)

VideoARM: Agentic Reasoning over Hierarchical Memory for Long-Form Video Understanding
von: Yin, Yufei, et al.
Veröffentlicht: (2025)

ChatUMM: Robust Context Tracking for Conversational Interleaved Generation
von: Dai, Wenxun, et al.
Veröffentlicht: (2026)

LVD-2M: A Long-take Video Dataset with Temporally Dense Captions
von: Xiong, Tianwei, et al.
Veröffentlicht: (2024)

Training-Free Hierarchical Scene Understanding for Gaussian Splatting with Superpoint Graphs
von: Dai, Shaohui, et al.
Veröffentlicht: (2025)

Video SimpleQA: Towards Factuality Evaluation in Large Video Language Models
von: Cao, Meng, et al.
Veröffentlicht: (2025)

Contrastive Masked Autoencoders are Stronger Vision Learners
von: Huang, Zhicheng, et al.
Veröffentlicht: (2022)

MovieBench: A Hierarchical Movie Level Dataset for Long Video Generation
von: Wu, Weijia, et al.
Veröffentlicht: (2024)

Universal Segmentation at Arbitrary Granularity with Language Instruction
von: Liu, Yong, et al.
Veröffentlicht: (2023)

Neural-Symbolic VideoQA: Learning Compositional Spatio-Temporal Reasoning for Real-world Video Question Answering
von: Liang, Lili, et al.
Veröffentlicht: (2024)

Trace Anything: Representing Any Video in 4D via Trajectory Fields
von: Liu, Xinhang, et al.
Veröffentlicht: (2025)