Buchumschlag

SALOVA: Segment-Augmented Long Video Assistant for Targeted Retrieval and Routing in Long-Form Video Analysis

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kim, Junho, Kim, Hyunjun, Lee, Hosu, Ro, Yong Man
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Look Every Frame All at Once: Video-Ma$^2$mba for Efficient Long-form Video Understanding with Multi-Axis Gradient Checkpointing
von: Lee, Hosu, et al.
Veröffentlicht: (2024)

ReFoCUS: Reinforcement-guided Frame Optimization for Contextual Understanding
von: Lee, Hosu, et al.
Veröffentlicht: (2025)

STRIDE: When to Speak Meets Sequence Denoising for Streaming Video Understanding
von: Kim, Junho, et al.
Veröffentlicht: (2026)

CODE: Contrasting Self-generated Description to Combat Hallucination in Large Multi-modal Models
von: Kim, Junho, et al.
Veröffentlicht: (2024)

Causal Unsupervised Semantic Segmentation
von: Kim, Junho, et al.
Veröffentlicht: (2023)

GCAgent: Long-Video Understanding via Schematic and Narrative Episodic Memory
von: Yeo, Jeong Hun, et al.
Veröffentlicht: (2025)

What if...?: Thinking Counterfactual Keywords Helps to Mitigate Hallucination in Large Multi-modal Models
von: Kim, Junho, et al.
Veröffentlicht: (2024)

Video-RAG: Visually-aligned Retrieval-Augmented Long Video Comprehension
von: Luo, Yongdong, et al.
Veröffentlicht: (2024)

DIP-R1: Deep Inspection and Perception with RL Looking Through and Understanding Complex Scenes
von: Park, Sungjune, et al.
Veröffentlicht: (2025)

VideoAtlas: Navigating Long-Form Video in Logarithmic Compute
von: Eltahir, Mohamed, et al.
Veröffentlicht: (2026)

VideoRAG: Retrieval-Augmented Generation with Extreme Long-Context Videos
von: Ren, Xubin, et al.
Veröffentlicht: (2025)

VideoRouter: Query-Adaptive Dual Routing for Efficient Long-Video Understanding
von: Lin, Kuanwei, et al.
Veröffentlicht: (2026)

DETACH : Decomposed Spatio-Temporal Alignment for Exocentric Video and Ambient Sensors with Staged Learning
von: Yoon, Junho, et al.
Veröffentlicht: (2025)

Moment Sampling in Video LLMs for Long-Form Video QA
von: Chasmai, Mustafa, et al.
Veröffentlicht: (2025)

Semantic Event Graphs for Long-Form Video Question Answering
von: Dixit, Aradhya, et al.
Veröffentlicht: (2026)

FRAG: Frame Selection Augmented Generation for Long Video and Long Document Understanding
von: Huang, De-An, et al.
Veröffentlicht: (2025)

Empathetic Response in Audio-Visual Conversations Using Emotion Preference Optimization and MambaCompressor
von: Kim, Yeonju, et al.
Veröffentlicht: (2024)

Robust Pedestrian Detection via Constructing Versatile Pedestrian Knowledge Bank
von: Park, Sungjune, et al.
Veröffentlicht: (2024)

Integrating Language-Derived Appearance Elements with Visual Cues in Pedestrian Detection
von: Park, Sungjune, et al.
Veröffentlicht: (2023)

Multimodal Chaptering for Long-Form TV Newscast Video
von: Guetari, Khalil, et al.
Veröffentlicht: (2024)

Video-EM: Event-Centric Episodic Memory for Long-Form Video Understanding
von: Wang, Yun, et al.
Veröffentlicht: (2025)

Event-Causal RAG: A Retrieval-Augmented Generation Framework for Long Video Reasoning in Complex Scenarios
von: Yan, Peizheng, et al.
Veröffentlicht: (2026)

Video Panels for Long Video Understanding
von: Doorenbos, Lars, et al.
Veröffentlicht: (2025)

Memory-Efficient Continual Learning Object Segmentation for Long Video
von: Nazemi, Amir, et al.
Veröffentlicht: (2023)

REGen: Multimodal Retrieval-Embedded Generation for Long-to-Short Video Editing
von: Xu, Weihan, et al.
Veröffentlicht: (2025)

VideoCAD: A Dataset and Model for Learning Long-Horizon 3D CAD UI Interactions from Video
von: Man, Brandon, et al.
Veröffentlicht: (2025)

Video-Infinity: Distributed Long Video Generation
von: Tan, Zhenxiong, et al.
Veröffentlicht: (2024)

Pistachio: Towards Synthetic, Balanced, and Long-Form Video Anomaly Benchmarks
von: Li, Jie, et al.
Veröffentlicht: (2025)

Watch Video, Catch Keyword: Context-aware Keyword Attention for Moment Retrieval and Highlight Detection
von: Um, Sung Jin, et al.
Veröffentlicht: (2025)

MomentSeeker: A Task-Oriented Benchmark For Long-Video Moment Retrieval
von: Yuan, Huaying, et al.
Veröffentlicht: (2025)

VCA: Video Curious Agent for Long Video Understanding
von: Yang, Zeyuan, et al.
Veröffentlicht: (2024)

PackForcing: Short Video Training Suffices for Long Video Sampling and Long Context Inference
von: Mao, Xiaofeng, et al.
Veröffentlicht: (2026)

LoCoT2V-Bench: Benchmarking Long-Form and Complex Text-to-Video Generation
von: Zheng, Xiangqing, et al.
Veröffentlicht: (2025)

PipeFlow: Pipelined Processing and Motion-Aware Frame Selection for Long-Form Video Editing
von: Munir, Mustafa, et al.
Veröffentlicht: (2025)

JenBridge: Adaptive Long-Form Video Soundtracking across Scene Transitions
von: Yu, Jiashuo, et al.
Veröffentlicht: (2026)

Long Video Diffusion Generation with Segmented Cross-Attention and Content-Rich Video Data Curation
von: Yan, Xin, et al.
Veröffentlicht: (2024)

VideoRAG: Retrieval-Augmented Generation over Video Corpus
von: Jeong, Soyeong, et al.
Veröffentlicht: (2025)

VideoExplorer: Think With Videos For Agentic Long-Video Understanding
von: Yuan, Huaying, et al.
Veröffentlicht: (2025)

Language-guided Learning for Object Detection Tackling Multiple Variations in Aerial Images
von: Park, Sungjune, et al.
Veröffentlicht: (2025)

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