Buchumschlag

GEM-VPC: A dual Graph-Enhanced Multimodal integration for Video Paragraph Captioning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Eileen, Han, Caren, Poon, Josiah
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

SCO-VIST: Social Interaction Commonsense Knowledge-based Visual Storytelling
von: Wang, Eileen, et al.
Veröffentlicht: (2024)

Towards Multimodal Video Paragraph Captioning Models Robust to Missing Modality
von: Chen, Sishuo, et al.
Veröffentlicht: (2024)

VRD-IU: Lessons from Visually Rich Document Intelligence and Understanding
von: Ding, Yihao, et al.
Veröffentlicht: (2025)

From Captions to Keyframes: KeyScore for Multimodal Frame Scoring and Video-Language Understanding
von: Lin, Shih-Yao, et al.
Veröffentlicht: (2025)

3MVRD: Multimodal Multi-task Multi-teacher Visually-Rich Form Document Understanding
von: Ding, Yihao, et al.
Veröffentlicht: (2024)

MSG-Chart: Multimodal Scene Graph for ChartQA
von: Dai, Yue, et al.
Veröffentlicht: (2024)

UVG-VPC: Voxelized Point Cloud Dataset for Visual Volumetric Video-based Coding
von: Gautier, Guillaume, et al.
Veröffentlicht: (2025)

Dual-task Mutual Reinforcing Embedded Joint Video Paragraph Retrieval and Grounding
von: Wang, Mengzhao, et al.
Veröffentlicht: (2024)

Fine-Grained Captioning of Long Videos through Scene Graph Consolidation
von: Chu, Sanghyeok, et al.
Veröffentlicht: (2025)

Siamese Learning with Joint Alignment and Regression for Weakly-Supervised Video Paragraph Grounding
von: Tan, Chaolei, et al.
Veröffentlicht: (2024)

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

Enhancing Descriptive Captions with Visual Attributes for Multimodal Perception
von: Sun, Yanpeng, et al.
Veröffentlicht: (2024)

Caption Anything in Video: Fine-grained Object-centric Captioning via Spatiotemporal Multimodal Prompting
von: Tang, Yunlong, et al.
Veröffentlicht: (2025)

Context Consistency Learning via Sentence Removal for Semi-Supervised Video Paragraph Grounding
von: Zhong, Yaokun, et al.
Veröffentlicht: (2025)

Scene Graph-guided SegCaptioning Transformer with Fine-grained Alignment for Controllable Video Segmentation and Captioning
von: Zhang, Xu, et al.
Veröffentlicht: (2026)

GEM-4D: Geometry-Enhanced Video World Models for Robot Manipulation
von: Zhou, Kaichen, et al.
Veröffentlicht: (2026)

MCF-VC: Mitigate Catastrophic Forgetting in Class-Incremental Learning for Multimodal Video Captioning
von: Xiong, Huiyu, et al.
Veröffentlicht: (2024)

VideoCap-R1: Enhancing MLLMs for Video Captioning via Structured Thinking
von: Meng, Desen, et al.
Veröffentlicht: (2025)

Paragraph-to-Image Generation with Information-Enriched Diffusion Model
von: Wu, Weijia, et al.
Veröffentlicht: (2023)

Live Video Captioning
von: Blanco-Fernández, Eduardo, et al.
Veröffentlicht: (2024)

SynopGround: A Large-Scale Dataset for Multi-Paragraph Video Grounding from TV Dramas and Synopses
von: Tan, Chaolei, et al.
Veröffentlicht: (2024)

Implicit and Explicit Commonsense for Multi-sentence Video Captioning
von: Chou, Shih-Han, et al.
Veröffentlicht: (2023)

Addressing the ID-Matching Challenge in Long Video Captioning
von: Yang, Zhantao, et al.
Veröffentlicht: (2025)

QCaption: Video Captioning and Q&A through Fusion of Large Multimodal Models
von: Wang, Jiale, et al.
Veröffentlicht: (2026)

UGC-VideoCaptioner: An Omni UGC Video Detail Caption Model and New Benchmarks
von: Wu, Peiran, et al.
Veröffentlicht: (2025)

It's Just Another Day: Unique Video Captioning by Discriminative Prompting
von: Perrett, Toby, et al.
Veröffentlicht: (2024)

Enhancing Traffic Safety with Parallel Dense Video Captioning for End-to-End Event Analysis
von: Shoman, Maged, et al.
Veröffentlicht: (2024)

Grounded Video Caption Generation
von: Kazakos, Evangelos, et al.
Veröffentlicht: (2024)

Streaming Dense Video Captioning
von: Zhou, Xingyi, et al.
Veröffentlicht: (2024)

SoccerNet-Caption: Dense Video Captioning for Soccer Broadcasts Commentaries
von: Mkhallati, Hassan, et al.
Veröffentlicht: (2023)

Zero-Shot Paragraph-level Handwriting Imitation with Latent Diffusion Models
von: Mayr, Martin, et al.
Veröffentlicht: (2024)

Sali4Vid: Saliency-Aware Video Reweighting and Adaptive Caption Retrieval for Dense Video Captioning
von: Jeon, MinJu, et al.
Veröffentlicht: (2025)

RETTA: Retrieval-Enhanced Test-Time Adaptation for Zero-Shot Video Captioning
von: Ma, Yunchuan, et al.
Veröffentlicht: (2024)

MV-CC: Mask Enhanced Video Model for Remote Sensing Change Caption
von: Liu, Ruixun, et al.
Veröffentlicht: (2024)

ABMAMBA: Multimodal Large Language Model with Aligned Hierarchical Bidirectional Scan for Efficient Video Captioning
von: Yashima, Daichi, et al.
Veröffentlicht: (2026)

Evaluating Multimodal Large Language Models on Video Captioning via Monte Carlo Tree Search
von: Yu, Linhao, et al.
Veröffentlicht: (2025)

UltraVideo: High-Quality UHD Video Dataset with Comprehensive Captions
von: Xue, Zhucun, et al.
Veröffentlicht: (2025)

ViDiC: Video Difference Captioning
von: Wu, Jiangtao, et al.
Veröffentlicht: (2025)

Player-Centric Multimodal Prompt Generation for Large Language Model Based Identity-Aware Basketball Video Captioning
von: Xi, Zeyu, et al.
Veröffentlicht: (2025)

Progress-Aware Video Frame Captioning
von: Xue, Zihui, et al.
Veröffentlicht: (2024)