Copertina

LongViTU: Instruction Tuning for Long-Form Video Understanding

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Wu, Rujie, Ma, Xiaojian, Ci, Hai, Fan, Yue, Wang, Yuxuan, Zhao, Haozhe, Li, Qing, Wang, Yizhou
Natura:	Preprint
Pubblicazione:	2025
Soggetti:	Computer Vision and Pattern Recognition Machine Learning
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

Less Data, Faster Convergence: Goal-Driven Data Optimization for Multimodal Instruction Tuning
di: Wu, Rujie, et al.
Pubblicazione: (2026)

VideoAgent: A Memory-augmented Multimodal Agent for Video Understanding
di: Fan, Yue, et al.
Pubblicazione: (2024)

Embodied VideoAgent: Persistent Memory from Egocentric Videos and Embodied Sensors Enables Dynamic Scene Understanding
di: Fan, Yue, et al.
Pubblicazione: (2024)

UltraEdit: Instruction-based Fine-Grained Image Editing at Scale
di: Zhao, Haozhe, et al.
Pubblicazione: (2024)

NEP: Autoregressive Image Editing via Next Editing Token Prediction
di: Wu, Huimin, et al.
Pubblicazione: (2025)

T*: Re-thinking Temporal Search for Long-Form Video Understanding
di: Ye, Jinhui, et al.
Pubblicazione: (2025)

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

Zero-Shot Long-Form Video Understanding through Screenplay
di: Wu, Yongliang, et al.
Pubblicazione: (2024)

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

Long-VMNet: Accelerating Long-Form Video Understanding via Fixed Memory
di: Gurukar, Saket, et al.
Pubblicazione: (2025)

Text-Conditioned Resampler For Long Form Video Understanding
di: Korbar, Bruno, et al.
Pubblicazione: (2023)

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

Semantic Gaussians: Open-Vocabulary Scene Understanding with 3D Gaussian Splatting
di: Guo, Jun, et al.
Pubblicazione: (2024)

TimeSuite: Improving MLLMs for Long Video Understanding via Grounded Tuning
di: Zeng, Xiangyu, et al.
Pubblicazione: (2024)

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

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

ChronoEarth-492K: A Large Scale and Long Horizon Spatiotemporal Hyperspectral Earth Observation Dataset and Benchmark
di: Si, Haozhe, et al.
Pubblicazione: (2026)

VideoLLaMB: Long Streaming Video Understanding with Recurrent Memory Bridges
di: Wang, Yuxuan, et al.
Pubblicazione: (2024)

MMBench-Video: A Long-Form Multi-Shot Benchmark for Holistic Video Understanding
di: Fang, Xinyu, et al.
Pubblicazione: (2024)

MovieChat: From Dense Token to Sparse Memory for Long Video Understanding
di: Song, Enxin, et al.
Pubblicazione: (2023)

Towards Long-Form Spatio-Temporal Video Grounding
di: Gu, Xin, et al.
Pubblicazione: (2026)

AdaptToken: Entropy-based Adaptive Token Selection for MLLM Long Video Understanding
di: Qi, Haozhe, et al.
Pubblicazione: (2026)

Video Active Perception: Effective Inference-Time Long-Form Video Understanding with Vision-Language Models
di: Ma, Martin Q., et al.
Pubblicazione: (2026)

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

LoViC: Efficient Long Video Generation with Context Compression
di: Jiang, Jiaxiu, et al.
Pubblicazione: (2025)

Tuning-Free Long Video Generation via Global-Local Collaborative Diffusion
di: Ma, Yongjia, et al.
Pubblicazione: (2025)

Prompt2LVideos: Exploring Prompts for Understanding Long-Form Multimodal Videos
di: Jahagirdar, Soumya Shamarao, et al.
Pubblicazione: (2025)

CacheFlow: Compressive Streaming Memory for Efficient Long-Form Video Understanding
di: Patel, Shrenik, et al.
Pubblicazione: (2025)

FreeCloth: Free-form Generation Enhances Challenging Clothed Human Modeling
di: Ye, Hang, et al.
Pubblicazione: (2024)

LiViBench: An Omnimodal Benchmark for Interactive Livestream Video Understanding
di: Wang, Xiaodong, et al.
Pubblicazione: (2026)

MR. Video: "MapReduce" is the Principle for Long Video Understanding
di: Pang, Ziqi, et al.
Pubblicazione: (2025)

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

ViMix-14M: A Curated Multi-Source Video-Text Dataset with Long-Form, High-Quality Captions and Crawl-Free Access
di: Yang, Timing, et al.
Pubblicazione: (2025)

Multi-Sentence Grounding for Long-term Instructional Video
di: Li, Zeqian, et al.
Pubblicazione: (2023)

LVAgent: Long Video Understanding by Multi-Round Dynamical Collaboration of MLLM Agents
di: Chen, Boyu, et al.
Pubblicazione: (2025)

VideoAgent2: Enhancing the LLM-Based Agent System for Long-Form Video Understanding by Uncertainty-Aware CoT
di: Zhi, Zhuo, et al.
Pubblicazione: (2025)

LongVU: Spatiotemporal Adaptive Compression for Long Video-Language Understanding
di: Shen, Xiaoqian, et al.
Pubblicazione: (2024)

AdaSpark: Adaptive Sparsity for Efficient Long-Video Understanding
di: Li, Handong, et al.
Pubblicazione: (2026)

VideoARM: Agentic Reasoning over Hierarchical Memory for Long-Form Video Understanding
di: Yin, Yufei, et al.
Pubblicazione: (2025)

MSJoE: Jointly Evolving MLLM and Sampler for Efficient Long-Form Video Understanding
di: Tan, Wenhui, et al.
Pubblicazione: (2026)