Buchumschlag

Visual Context Window Extension: A New Perspective for Long Video Understanding

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wei, Hongchen, Chen, Zhenzhong
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

Training-Free Reasoning and Reflection in MLLMs
von: Wei, Hongchen, et al.
Veröffentlicht: (2025)

ETC: Extreme Token Compression via Task-aware Visual Information Distillation in VLMs
von: Gao, Yiling, et al.
Veröffentlicht: (2026)

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

LOP: Learning Optimal Pruning for Efficient On-Demand MLLMs Scaling
von: Zhang, Zhihan, et al.
Veröffentlicht: (2025)

RSFAKE-1M: A Large-Scale Dataset for Detecting Diffusion-Generated Remote Sensing Forgeries
von: Tan, Zhihong, et al.
Veröffentlicht: (2025)

SAVEn-Vid: Synergistic Audio-Visual Integration for Enhanced Understanding in Long Video Context
von: Li, Jungang, et al.
Veröffentlicht: (2024)

Exploring Long- and Short-Range Temporal Information for Learned Video Compression
von: Wang, Huairui, et al.
Veröffentlicht: (2022)

Memory Consolidation Enables Long-Context Video Understanding
von: Balažević, Ivana, et al.
Veröffentlicht: (2024)

Intention-driven Ego-to-Exo Video Generation
von: Luo, Hongchen, et al.
Veröffentlicht: (2024)

VideoOdyssey: A Benchmark for Ultra-Long-Context and Omni-Modal Video Understanding
von: He, Haichen, et al.
Veröffentlicht: (2026)

Context Forcing: Consistent Autoregressive Video Generation with Long Context
von: Chen, Shuo, et al.
Veröffentlicht: (2026)

LongVILA: Scaling Long-Context Visual Language Models for Long Videos
von: Chen, Yukang, et al.
Veröffentlicht: (2024)

DiffVC-RT: Towards Practical Real-Time Diffusion-based Perceptual Neural Video Compression
von: Ma, Wenzhuo, et al.
Veröffentlicht: (2026)

Leverage Task Context for Object Affordance Ranking
von: Huang, Haojie, et al.
Veröffentlicht: (2024)

LaMD: Latent Motion Diffusion for Image-Conditional Video Generation
von: Hu, Yaosi, et al.
Veröffentlicht: (2023)

VISTA: Enhancing Long-Duration and High-Resolution Video Understanding by Video Spatiotemporal Augmentation
von: Ren, Weiming, et al.
Veröffentlicht: (2024)

Visual-Geometric Collaborative Guidance for Affordance Learning
von: Luo, Hongchen, et al.
Veröffentlicht: (2024)

Vamba: Understanding Hour-Long Videos with Hybrid Mamba-Transformers
von: Ren, Weiming, et al.
Veröffentlicht: (2025)

VMAD: Visual-enhanced Multimodal Large Language Model for Zero-Shot Anomaly Detection
von: Deng, Huilin, et al.
Veröffentlicht: (2024)

Question-guided Visual Compression with Memory Feedback for Long-Term Video Understanding
von: Yamao, Sosuke, et al.
Veröffentlicht: (2026)

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

Internalized Reasoning for Long-Context Visual Document Understanding
von: Veselka, Austin
Veröffentlicht: (2026)

CoS: Chain-of-Shot Prompting for Long Video Understanding
von: Hu, Jian, et al.
Veröffentlicht: (2025)

VERA: Identifying and Leveraging Visual Evidence Retrieval Heads in Long-Context Understanding
von: Pei, Rongcan, et al.
Veröffentlicht: (2026)

Video-MTR: Reinforced Multi-Turn Reasoning for Long Video Understanding
von: Xie, Yuan, et al.
Veröffentlicht: (2025)

Think, Then Verify: A Hypothesis-Verification Multi-Agent Framework for Long Video Understanding
von: Wang, Zheng, et al.
Veröffentlicht: (2026)

SeViCES: Unifying Semantic-Visual Evidence Consensus for Long Video Understanding
von: Sheng, Yuan, et al.
Veröffentlicht: (2025)

APVR: Hour-Level Long Video Understanding with Adaptive Pivot Visual Information Retrieval
von: Gao, Hong, et al.
Veröffentlicht: (2025)

Long Context Tuning for Video Generation
von: Guo, Yuwei, et al.
Veröffentlicht: (2025)

VideoPro: Adaptive Program Reasoning for Long Video Understanding
von: Li, Chenglin, et al.
Veröffentlicht: (2025)

Train Short, Inference Long: Training-free Horizon Extension for Autoregressive Video Generation
von: Li, Jia, et al.
Veröffentlicht: (2026)

Progressive Video Condensation with MLLM Agent for Long-form Video Understanding
von: Yin, Yufei, et al.
Veröffentlicht: (2026)

VideoEval-Pro: Robust and Realistic Long Video Understanding Evaluation
von: Ma, Wentao, et al.
Veröffentlicht: (2025)

Long-Context State-Space Video World Models
von: Po, Ryan, et al.
Veröffentlicht: (2025)

Video Token Merging for Long-form Video Understanding
von: Lee, Seon-Ho, et al.
Veröffentlicht: (2024)

Linear Scaling Video VLMs for Long Video Understanding
von: Eyzaguirre, Cristobal, et al.
Veröffentlicht: (2026)

Language Repository for Long Video Understanding
von: Kahatapitiya, Kumara, et al.
Veröffentlicht: (2024)

EEA: Exploration-Exploitation Agent for Long Video Understanding
von: Yang, Te, et al.
Veröffentlicht: (2025)

From Trial to Triumph: Advancing Long Video Understanding via Visual Context Sample Scaling and Self-reward Alignment
von: Suo, Yucheng, et al.
Veröffentlicht: (2025)

OmChat: A Recipe to Train Multimodal Language Models with Strong Long Context and Video Understanding
von: Zhao, Tiancheng, et al.
Veröffentlicht: (2024)