:: Library Catalog

Copertina

Salvato in:

Dettagli Bibliografici
Autori principali:	Lee, Hyogun, Hong, Soyeon, Sung, Mujeen, Choi, Jinwoo
Natura:	Preprint
Pubblicazione:	2024
Soggetti:	Computer Vision and Pattern Recognition Machine Learning
Accesso online:	https://arxiv.org/abs/2408.02336
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

HERO-VQL: Hierarchical, Egocentric and Robust Visual Query Localization
di: Chang, Joohyun, et al.
Pubblicazione: (2025)

Flashback: Memory-Driven Zero-shot, Real-time Video Anomaly Detection
di: Lee, Hyogun, et al.
Pubblicazione: (2025)

ORIGEN: Zero-Shot 3D Orientation Grounding in Text-to-Image Generation
di: Min, Yunhong, et al.
Pubblicazione: (2025)

Aligning Forest and Trees in Images & Long Captions for Visually Grounded Understanding
di: Woo, Byeongju, et al.
Pubblicazione: (2026)

Divide, then Ground: Adapting Frame Selection to Query Types for Long-Form Video Understanding
di: Li, Jialuo, et al.
Pubblicazione: (2025)

LongViTU: Instruction Tuning for Long-Form Video Understanding
di: Wu, Rujie, et al.
Pubblicazione: (2025)

Tuning-Free Multi-Event Long Video Generation via Synchronized Coupled Sampling
di: Kim, Subin, et al.
Pubblicazione: (2025)

Scaling Vision Language Models for Pharmaceutical Long Form Video Reasoning on Industrial GenAI Platform
di: Mishra, Suyash, et al.
Pubblicazione: (2026)

Efficient Long Video Tokenization via Coordinate-based Patch Reconstruction
di: Jang, Huiwon, et al.
Pubblicazione: (2024)

Adversarial Robustification via Text-to-Image Diffusion Models
di: Choi, Daewon, et al.
Pubblicazione: (2024)

Learning to Rank Caption Chains for Video-Text Alignment
di: Blume, Ansel, et al.
Pubblicazione: (2026)

Pretrained Image-Text Models are Secretly Video Captioners
di: Zhang, Chunhui, et al.
Pubblicazione: (2025)

Text-to-CAD Generation Through Infusing Visual Feedback in Large Language Models
di: Wang, Ruiyu, et al.
Pubblicazione: (2025)

CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection
di: Lee, Byeongchan, et al.
Pubblicazione: (2025)

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

Whats in a Video: Factorized Autoregressive Decoding for Online Dense Video Captioning
di: Piergiovanni, AJ, et al.
Pubblicazione: (2024)

When Is Rank-1 Enough? Geometry-Guided Initialization for Parameter-Efficient Fine-Tuning
di: Zhao, Haoran, et al.
Pubblicazione: (2026)

Temporal Object Captioning for Street Scene Videos from LiDAR Tracks
di: Gopinathan, Vignesh, et al.
Pubblicazione: (2025)

TA-Prompting: Enhancing Video Large Language Models for Dense Video Captioning via Temporal Anchors
di: Cheng, Wei-Yuan, et al.
Pubblicazione: (2026)

BAM-DETR: Boundary-Aligned Moment Detection Transformer for Temporal Sentence Grounding in Videos
di: Lee, Pilhyeon, et al.
Pubblicazione: (2023)

Wolf: Dense Video Captioning with a World Summarization Framework
di: Li, Boyi, et al.
Pubblicazione: (2024)

EVEREST: Efficient Masked Video Autoencoder by Removing Redundant Spatiotemporal Tokens
di: Hwang, Sunil, et al.
Pubblicazione: (2022)

By My Eyes: Grounding Multimodal Large Language Models with Sensor Data via Visual Prompting
di: Yoon, Hyungjun, et al.
Pubblicazione: (2024)

Efficient Video Diffusion Models via Content-Frame Motion-Latent Decomposition
di: Yu, Sihyun, et al.
Pubblicazione: (2024)

LongVideoBench: A Benchmark for Long-context Interleaved Video-Language Understanding
di: Wu, Haoning, et al.
Pubblicazione: (2024)

EVIDENT: Routing MLLM Adaptation through Entity-Grounded Visual Evidence for Cross-Domain Video Temporal Grounding
di: Ahn, Geo, et al.
Pubblicazione: (2026)

Shotluck Holmes: A Family of Efficient Small-Scale Large Language Vision Models For Video Captioning and Summarization
di: Luo, Richard, et al.
Pubblicazione: (2024)

Agentic Very Long Video Understanding
di: Rege, Aniket, et al.
Pubblicazione: (2026)

TrafficVLM: A Controllable Visual Language Model for Traffic Video Captioning
di: Dinh, Quang Minh, et al.
Pubblicazione: (2024)

Concept-skill Transferability-based Data Selection for Large Vision-Language Models
di: Lee, Jaewoo, et al.
Pubblicazione: (2024)

Discovering and Mitigating Visual Biases through Keyword Explanation
di: Kim, Younghyun, et al.
Pubblicazione: (2023)

Temporal Preference Optimization for Long-Form Video Understanding
di: Li, Rui, et al.
Pubblicazione: (2025)

Dual-Signal Adaptive KV-Cache Optimization for Long-Form Video Understanding in Vision-Language Models
di: Sai, Vishnu, et al.
Pubblicazione: (2026)

STELLA: Continual Audio-Video Pre-training with Spatio-Temporal Localized Alignment
di: Lee, Jaewoo, et al.
Pubblicazione: (2023)

CVA: Context-aware Video-text Alignment for Video Temporal Grounding
di: Moon, Sungho, et al.
Pubblicazione: (2026)

Query-Conditioned Evidential Keyframe Sampling for MLLM-Based Long-Form Video Understanding
di: Wang, Yiheng, et al.
Pubblicazione: (2026)

GTA: Guided Transfer of Spatial Attention from Object-Centric Representations
di: Seo, SeokHyun, et al.
Pubblicazione: (2024)

Empower Words: DualGround for Structured Phrase and Sentence-Level Temporal Grounding
di: Kang, Minseok, et al.
Pubblicazione: (2025)

HiCM$^2$: Hierarchical Compact Memory Modeling for Dense Video Captioning
di: Kim, Minkuk, et al.
Pubblicazione: (2024)

Do You Remember? Dense Video Captioning with Cross-Modal Memory Retrieval
di: Kim, Minkuk, et al.
Pubblicazione: (2024)