Grounded Video Caption Generation
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Kazakos, Evangelos, Schmid, Cordelia, Sivic, Josef |
|---|---|
| Format: | Preprint |
| Publié: |
2024
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Large-scale Pre-training for Grounded Video Caption Generation
par: Kazakos, Evangelos, et autres
Publié: (2025)
par: Kazakos, Evangelos, et autres
Publié: (2025)
Dense Video Object Captioning from Disjoint Supervision
par: Zhou, Xingyi, et autres
Publié: (2023)
par: Zhou, Xingyi, et autres
Publié: (2023)
Streaming Dense Video Captioning
par: Zhou, Xingyi, et autres
Publié: (2024)
par: Zhou, Xingyi, et autres
Publié: (2024)
CaptionFormer: Unified Segmentation, Tracking, and Captioning for Spatio-Temporal Objects
par: Fiastre, Gabriel, et autres
Publié: (2025)
par: Fiastre, Gabriel, et autres
Publié: (2025)
OVFact: Measuring and Improving Open-Vocabulary Factuality for Long Caption Models
par: Wysoczańska, Monika, et autres
Publié: (2025)
par: Wysoczańska, Monika, et autres
Publié: (2025)
VoCap: Video Object Captioning and Segmentation from Any Prompt
par: Uijlings, Jasper, et autres
Publié: (2025)
par: Uijlings, Jasper, et autres
Publié: (2025)
GenHowTo: Learning to Generate Actions and State Transformations from Instructional Videos
par: Souček, Tomáš, et autres
Publié: (2023)
par: Souček, Tomáš, et autres
Publié: (2023)
BrickNet: Graph-Backed Generative Brick Assembly
par: Kulits, Peter, et autres
Publié: (2026)
par: Kulits, Peter, et autres
Publié: (2026)
ComposeAnything: Composite Object Priors for Text-to-Image Generation
par: Khan, Zeeshan, et autres
Publié: (2025)
par: Khan, Zeeshan, et autres
Publié: (2025)
Chapter-Llama: Efficient Chaptering in Hour-Long Videos with LLMs
par: Ventura, Lucas, et autres
Publié: (2025)
par: Ventura, Lucas, et autres
Publié: (2025)
RAVEN: Rethinking Adversarial Video Generation with Efficient Tri-plane Networks
par: Ghosh, Partha, et autres
Publié: (2024)
par: Ghosh, Partha, et autres
Publié: (2024)
CoVR-2: Automatic Data Construction for Composed Video Retrieval
par: Ventura, Lucas, et autres
Publié: (2023)
par: Ventura, Lucas, et autres
Publié: (2023)
What Are You Doing? A Closer Look at Controllable Human Video Generation
par: Bugliarello, Emanuele, et autres
Publié: (2025)
par: Bugliarello, Emanuele, et autres
Publié: (2025)
Exploiting Auxiliary Caption for Video Grounding
par: Li, Hongxiang, et autres
Publié: (2023)
par: Li, Hongxiang, et autres
Publié: (2023)
EditDuet: A Multi-Agent System for Video Non-Linear Editing
par: Sandoval-Castaneda, Marcelo, et autres
Publié: (2025)
par: Sandoval-Castaneda, Marcelo, et autres
Publié: (2025)
A Generative Approach for Wikipedia-Scale Visual Entity Recognition
par: Caron, Mathilde, et autres
Publié: (2024)
par: Caron, Mathilde, et autres
Publié: (2024)
TIM: A Time Interval Machine for Audio-Visual Action Recognition
par: Chalk, Jacob, et autres
Publié: (2024)
par: Chalk, Jacob, et autres
Publié: (2024)
Gondola: Grounded Vision Language Planning for Generalizable Robotic Manipulation
par: Chen, Shizhe, et autres
Publié: (2025)
par: Chen, Shizhe, et autres
Publié: (2025)
Learning text-to-video retrieval from image captioning
par: Ventura, Lucas, et autres
Publié: (2024)
par: Ventura, Lucas, et autres
Publié: (2024)
VOLD: Reasoning Transfer from LLMs to Vision-Language Models via On-Policy Distillation
par: Bousselham, Walid, et autres
Publié: (2025)
par: Bousselham, Walid, et autres
Publié: (2025)
LoFT: LoRA-fused Training Dataset Generation with Few-shot Guidance
par: Kim, Jae Myung, et autres
Publié: (2025)
par: Kim, Jae Myung, et autres
Publié: (2025)
ShowHowTo: Generating Scene-Conditioned Step-by-Step Visual Instructions
par: Souček, Tomáš, et autres
Publié: (2024)
par: Souček, Tomáš, et autres
Publié: (2024)
Persistent Robot World Models: Stabilizing Multi-Step Rollouts via Reinforcement Learning
par: Bardhan, Jai, et autres
Publié: (2026)
par: Bardhan, Jai, et autres
Publié: (2026)
Dense Optical Tracking: Connecting the Dots
par: Moing, Guillaume Le, et autres
Publié: (2023)
par: Moing, Guillaume Le, et autres
Publié: (2023)
Towards Generalizable Vision-Language Robotic Manipulation: A Benchmark and LLM-guided 3D Policy
par: Garcia, Ricardo, et autres
Publié: (2024)
par: Garcia, Ricardo, et autres
Publié: (2024)
PointACT: Vision-Language-Action Models with Multi-Scale Point-Action Interaction
par: Chen, Shizhe, et autres
Publié: (2026)
par: Chen, Shizhe, et autres
Publié: (2026)
6D Object Pose Tracking in Internet Videos for Robotic Manipulation
par: Ponimatkin, Georgy, et autres
Publié: (2025)
par: Ponimatkin, Georgy, et autres
Publié: (2025)
Web-Scale Visual Entity Recognition: An LLM-Driven Data Approach
par: Caron, Mathilde, et autres
Publié: (2024)
par: Caron, Mathilde, et autres
Publié: (2024)
SUGAR: Pre-training 3D Visual Representations for Robotics
par: Chen, Shizhe, et autres
Publié: (2024)
par: Chen, Shizhe, et autres
Publié: (2024)
Retrieval-Enhanced Contrastive Vision-Text Models
par: Iscen, Ahmet, et autres
Publié: (2023)
par: Iscen, Ahmet, et autres
Publié: (2023)
AlignPose: Generalizable 6D Pose Estimation via Multi-view Feature-metric Alignment
par: Mikeštíková, Anna Šárová, et autres
Publié: (2025)
par: Mikeštíková, Anna Šárová, et autres
Publié: (2025)
Memory-Modular Classification: Learning to Generalize with Memory Replacement
par: Kang, Dahyun, et autres
Publié: (2025)
par: Kang, Dahyun, et autres
Publié: (2025)
Learning Correlation Structures for Vision Transformers
par: Kim, Manjin, et autres
Publié: (2024)
par: Kim, Manjin, et autres
Publié: (2024)
HORT: Monocular Hand-held Objects Reconstruction with Transformers
par: Chen, Zerui, et autres
Publié: (2025)
par: Chen, Zerui, et autres
Publié: (2025)
LongCaptioning: Unlocking the Power of Long Video Caption Generation in Large Multimodal Models
par: Wei, Hongchen, et autres
Publié: (2025)
par: Wei, Hongchen, et autres
Publié: (2025)
CAViAR: Critic-Augmented Video Agentic Reasoning
par: Menon, Sachit, et autres
Publié: (2025)
par: Menon, Sachit, et autres
Publié: (2025)
MetricNet: Recovering Metric Scale in Generative Navigation Policies
par: Nayak, Abhijeet, et autres
Publié: (2025)
par: Nayak, Abhijeet, et autres
Publié: (2025)
Scaling Cross-Environment Failure Reasoning Data for Vision-Language Robotic Manipulation
par: Pacaud, Paul, et autres
Publié: (2025)
par: Pacaud, Paul, et autres
Publié: (2025)
Online 3D Scene Reconstruction Using Neural Object Priors
par: Chabal, Thomas, et autres
Publié: (2025)
par: Chabal, Thomas, et autres
Publié: (2025)
FOM-Nav: Frontier-Object Maps for Object Goal Navigation
par: Chabal, Thomas, et autres
Publié: (2025)
par: Chabal, Thomas, et autres
Publié: (2025)
Documents similaires
-
Large-scale Pre-training for Grounded Video Caption Generation
par: Kazakos, Evangelos, et autres
Publié: (2025) -
Dense Video Object Captioning from Disjoint Supervision
par: Zhou, Xingyi, et autres
Publié: (2023) -
Streaming Dense Video Captioning
par: Zhou, Xingyi, et autres
Publié: (2024) -
CaptionFormer: Unified Segmentation, Tracking, and Captioning for Spatio-Temporal Objects
par: Fiastre, Gabriel, et autres
Publié: (2025) -
OVFact: Measuring and Improving Open-Vocabulary Factuality for Long Caption Models
par: Wysoczańska, Monika, et autres
Publié: (2025)