EVE: Towards End-to-End Video Subtitle Extraction with Vision-Language Models
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Yu, Haiyang, Zhao, Mengyang, Lu, Jinghui, Niu, Ke, Wang, Yanjie, Yin, Weijie, Jia, Weitao, Fu, Teng, Liu, Yang, Liu, Jun, Chen, Hong |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
OmniPT: Unleashing the Potential of Large Vision Language Models for Pedestrian Tracking and Understanding
par: Fu, Teng, et autres
Publié: (2025)
par: Fu, Teng, et autres
Publié: (2025)
IADGPT: Unified LVLM for Few-Shot Industrial Anomaly Detection, Localization, and Reasoning via In-Context Learning
par: Zhao, Mengyang, et autres
Publié: (2025)
par: Zhao, Mengyang, et autres
Publié: (2025)
ChatReID: Open-ended Interactive Person Retrieval via Hierarchical Progressive Tuning for Vision Language Models
par: Niu, Ke, et autres
Publié: (2025)
par: Niu, Ke, et autres
Publié: (2025)
CLEAR: Context-Aware Learning with End-to-End Mask-Free Inference for Adaptive Video Subtitle Removal
par: He, Qingdong, et autres
Publié: (2026)
par: He, Qingdong, et autres
Publié: (2026)
Text-to-Edit: Controllable End-to-End Video Ad Creation via Multimodal LLMs
par: Cheng, Dabing, et autres
Publié: (2025)
par: Cheng, Dabing, et autres
Publié: (2025)
OCRVerse: Towards Holistic OCR in End-to-End Vision-Language Models
par: Zhong, Yufeng, et autres
Publié: (2026)
par: Zhong, Yufeng, et autres
Publié: (2026)
From Intent to Execution: Multimodal Chain-of-Thought Reinforcement Learning for Precise CAD Code Generation
par: Niu, Ke, et autres
Publié: (2025)
par: Niu, Ke, et autres
Publié: (2025)
VisionSelector: End-to-End Learnable Visual Token Compression for Efficient Multimodal LLMs
par: Zhu, Jiaying, et autres
Publié: (2025)
par: Zhu, Jiaying, et autres
Publié: (2025)
End-to-End Vision Tokenizer Tuning
par: Wang, Wenxuan, et autres
Publié: (2025)
par: Wang, Wenxuan, et autres
Publié: (2025)
ARPO:End-to-End Policy Optimization for GUI Agents with Experience Replay
par: Lu, Fanbin, et autres
Publié: (2025)
par: Lu, Fanbin, et autres
Publié: (2025)
Senna: Bridging Large Vision-Language Models and End-to-End Autonomous Driving
par: Jiang, Bo, et autres
Publié: (2024)
par: Jiang, Bo, et autres
Publié: (2024)
Towards End-to-End Explainable Facial Action Unit Recognition via Vision-Language Joint Learning
par: Ge, Xuri, et autres
Publié: (2024)
par: Ge, Xuri, et autres
Publié: (2024)
End-To-End Underwater Video Enhancement: Dataset and Model
par: Du, Dazhao, et autres
Publié: (2024)
par: Du, Dazhao, et autres
Publié: (2024)
End-to-End Beam Retrieval for Multi-Hop Question Answering
par: Zhang, Jiahao, et autres
Publié: (2023)
par: Zhang, Jiahao, et autres
Publié: (2023)
VisionLLM v2: An End-to-End Generalist Multimodal Large Language Model for Hundreds of Vision-Language Tasks
par: Wu, Jiannan, et autres
Publié: (2024)
par: Wu, Jiannan, et autres
Publié: (2024)
iPad: Iterative Proposal-centric End-to-End Autonomous Driving
par: Guo, Ke, et autres
Publié: (2025)
par: Guo, Ke, et autres
Publié: (2025)
MoGA: Mixture-of-Groups Attention for End-to-End Long Video Generation
par: Jia, Weinan, et autres
Publié: (2025)
par: Jia, Weinan, et autres
Publié: (2025)
CReFT-CAD: Boosting Orthographic Projection Reasoning for CAD via Reinforcement Fine-Tuning
par: Niu, Ke, et autres
Publié: (2025)
par: Niu, Ke, et autres
Publié: (2025)
VECTOR-Drive: Tightly Coupled Vision-Language and Trajectory Expert Routing for End-to-End Autonomous Driving
par: Zhao, Rui, et autres
Publié: (2026)
par: Zhao, Rui, et autres
Publié: (2026)
ImaginationPolicy: Towards Generalizable, Precise and Reliable End-to-End Policy for Robotic Manipulation
par: Lu, Dekun, et autres
Publié: (2025)
par: Lu, Dekun, et autres
Publié: (2025)
Unleashing Generalization of End-to-End Autonomous Driving with Controllable Long Video Generation
par: Ma, Enhui, et autres
Publié: (2024)
par: Ma, Enhui, et autres
Publié: (2024)
Navigating the Deep: End-to-End Extraction on Deep Neural Networks
par: Liu, Haolin, et autres
Publié: (2025)
par: Liu, Haolin, et autres
Publié: (2025)
End-to-End Video Question Answering with Frame Scoring Mechanisms and Adaptive Sampling
par: Liang, Jianxin, et autres
Publié: (2024)
par: Liang, Jianxin, et autres
Publié: (2024)
AudioJailbreak: Jailbreak Attacks against End-to-End Large Audio-Language Models
par: Chen, Guangke, et autres
Publié: (2025)
par: Chen, Guangke, et autres
Publié: (2025)
Self-Retrieval: End-to-End Information Retrieval with One Large Language Model
par: Tang, Qiaoyu, et autres
Publié: (2024)
par: Tang, Qiaoyu, et autres
Publié: (2024)
REMM:Rotation-Equivariant Framework for End-to-End Multimodal Image Matching
par: Nie, Han, et autres
Publié: (2024)
par: Nie, Han, et autres
Publié: (2024)
Structured Labeling Enables Faster Vision-Language Models for End-to-End Autonomous Driving
par: Jiang, Hao, et autres
Publié: (2025)
par: Jiang, Hao, et autres
Publié: (2025)
End-to-End On-Device Quantization-Aware Training for LLMs at Inference Cost
par: Tan, Qitao, et autres
Publié: (2025)
par: Tan, Qitao, et autres
Publié: (2025)
Towards End-to-End Alignment of User Satisfaction via Questionnaire in Video Recommendation
par: Li, Na, et autres
Publié: (2026)
par: Li, Na, et autres
Publié: (2026)
DSDrive: Distilling Large Language Model for Lightweight End-to-End Autonomous Driving with Unified Reasoning and Planning
par: Liu, Wenru, et autres
Publié: (2025)
par: Liu, Wenru, et autres
Publié: (2025)
Dynamical Mass Loss at the End of TP-AGB stars
par: Cui, Yingzhen, et autres
Publié: (2026)
par: Cui, Yingzhen, et autres
Publié: (2026)
Interpretable Oracle Bone Script Decipherment through Radical and Pictographic Analysis with LVLMs
par: Peng, Kaixin, et autres
Publié: (2025)
par: Peng, Kaixin, et autres
Publié: (2025)
The End of Manual Decoding: Towards Truly End-to-End Language Models
par: Wang, Zhichao, et autres
Publié: (2025)
par: Wang, Zhichao, et autres
Publié: (2025)
Bridging Perception and Planning: Towards End-to-End Planning for Signal Temporal Logic Tasks
par: Ye, Bowen, et autres
Publié: (2025)
par: Ye, Bowen, et autres
Publié: (2025)
United We Stand: Towards End-to-End Log-based Fault Diagnosis via Interactive Multi-Task Learning
par: He, Minghua, et autres
Publié: (2025)
par: He, Minghua, et autres
Publié: (2025)
Learning to Communicate: Toward End-to-End Optimization of Multi-Agent Language Systems
par: Yu, Ye, et autres
Publié: (2026)
par: Yu, Ye, et autres
Publié: (2026)
SimpleLLM4AD: An End-to-End Vision-Language Model with Graph Visual Question Answering for Autonomous Driving
par: Zheng, Peiru, et autres
Publié: (2024)
par: Zheng, Peiru, et autres
Publié: (2024)
Towards an End-to-End Framework for Invasive Brain Signal Decoding with Large Language Models
par: Feng, Sheng, et autres
Publié: (2024)
par: Feng, Sheng, et autres
Publié: (2024)
Quality-Aware End-to-End Audio-Visual Neural Speaker Diarization
par: He, Mao-Kui, et autres
Publié: (2024)
par: He, Mao-Kui, et autres
Publié: (2024)
A Paradigm Shift: Fully End-to-End Training for Temporal Sentence Grounding in Videos
par: He, Allen, et autres
Publié: (2026)
par: He, Allen, et autres
Publié: (2026)
Documents similaires
-
OmniPT: Unleashing the Potential of Large Vision Language Models for Pedestrian Tracking and Understanding
par: Fu, Teng, et autres
Publié: (2025) -
IADGPT: Unified LVLM for Few-Shot Industrial Anomaly Detection, Localization, and Reasoning via In-Context Learning
par: Zhao, Mengyang, et autres
Publié: (2025) -
ChatReID: Open-ended Interactive Person Retrieval via Hierarchical Progressive Tuning for Vision Language Models
par: Niu, Ke, et autres
Publié: (2025) -
CLEAR: Context-Aware Learning with End-to-End Mask-Free Inference for Adaptive Video Subtitle Removal
par: He, Qingdong, et autres
Publié: (2026) -
Text-to-Edit: Controllable End-to-End Video Ad Creation via Multimodal LLMs
par: Cheng, Dabing, et autres
Publié: (2025)