Buchumschlag

MASH-VLM: Mitigating Action-Scene Hallucination in Video-LLMs through Disentangled Spatial-Temporal Representations

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Bae, Kyungho, Kim, Jinhyung, Lee, Sihaeng, Lee, Soonyoung, Lee, Gunhee, Choi, Jinwoo
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

DEVIAS: Learning Disentangled Video Representations of Action and Scene
von: Bae, Kyungho, et al.
Veröffentlicht: (2023)

Pri4R: Learning World Dynamics for Vision-Language-Action Models with Privileged 4D Representation
von: Kim, Jisoo, et al.
Veröffentlicht: (2026)

ReSpec: Relevance and Specificity Grounded Online Filtering for Learning on Video-Text Data Streams
von: Kim, Chris Dongjoo, et al.
Veröffentlicht: (2025)

ESSENTIAL: Episodic and Semantic Memory Integration for Video Class-Incremental Learning
von: Lee, Jongseo, et al.
Veröffentlicht: (2025)

Disentangled Concepts Speak Louder Than Words: Explainable Video Action Recognition
von: Lee, Jongseo, et al.
Veröffentlicht: (2025)

CAST: Cross-Attention in Space and Time for Video Action Recognition
von: Lee, Dongho, et al.
Veröffentlicht: (2023)

Bi-directional Contextual Attention for 3D Dense Captioning
von: Kim, Minjung, et al.
Veröffentlicht: (2024)

EXAONEPath 1.0 Patch-level Foundation Model for Pathology
von: Yun, Juseung, et al.
Veröffentlicht: (2024)

EVIDENT: Routing MLLM Adaptation through Entity-Grounded Visual Evidence for Cross-Domain Video Temporal Grounding
von: Ahn, Geo, et al.
Veröffentlicht: (2026)

Which Way Did It Move? Diagnosing and Overcoming Directional Motion Blindness in Video-LLMs
von: Lee, Jongseo, et al.
Veröffentlicht: (2026)

NOAH: Benchmarking Narrative Prior driven Hallucination and Omission in Video Large Language Models
von: Lee, Kyuho, et al.
Veröffentlicht: (2025)

Fourier-Guided Attention Upsampling for Image Super-Resolution
von: Choi, Daejune, et al.
Veröffentlicht: (2025)

Discovering and Mitigating Visual Biases through Keyword Explanation
von: Kim, Younghyun, et al.
Veröffentlicht: (2023)

See It All: Contextualized Late Aggregation for 3D Dense Captioning
von: Kim, Minjung, et al.
Veröffentlicht: (2024)

PoseBridge: Bridging the Skeletonization Gap for Zero-Shot Skeleton-Based Action Recognition
von: Lee, Sanghyeon, et al.
Veröffentlicht: (2026)

PCBEAR: Pose Concept Bottleneck for Explainable Action Recognition
von: Lee, Jongseo, et al.
Veröffentlicht: (2025)

ChartCap: Mitigating Hallucination of Dense Chart Captioning
von: Lim, Junyoung, et al.
Veröffentlicht: (2025)

Exploring the Spectrum of Visio-Linguistic Compositionality and Recognition
von: Oh, Youngtaek, et al.
Veröffentlicht: (2024)

Can Language Models Laugh at YouTube Short-form Videos?
von: Ko, Dayoon, et al.
Veröffentlicht: (2023)

CA^2ST: Cross-Attention in Audio, Space, and Time for Holistic Video Recognition
von: Lee, Jongseo, et al.
Veröffentlicht: (2025)

Why Can't I Open My Drawer? Mitigating Object-Driven Shortcuts in Zero-Shot Compositional Action Recognition
von: Ahn, Geo, et al.
Veröffentlicht: (2026)

IB-GAN: Disentangled Representation Learning with Information Bottleneck Generative Adversarial Networks
von: Jeon, Insu, et al.
Veröffentlicht: (2025)

GaussianVideo: Efficient Video Representation and Compression by Gaussian Splatting
von: Lee, Inseo, et al.
Veröffentlicht: (2025)

ChatEXAONEPath: An Expert-level Multimodal Large Language Model for Histopathology Using Whole Slide Images
von: Kim, Sangwook, et al.
Veröffentlicht: (2025)

Text-Guided 6D Object Pose Rearrangement via Closed-Loop VLM Agents
von: Baik, Sangwon, et al.
Veröffentlicht: (2026)

Mitigating Hallucination in VideoLLMs via Temporal-Aware Activation Engineering
von: Cai, Jianfeng, et al.
Veröffentlicht: (2025)

EO-VLM: VLM-Guided Energy Overload Attacks on Vision Models
von: Seo, Minjae, et al.
Veröffentlicht: (2025)

TemporalVLM: Video LLMs for Temporal Reasoning in Long Videos
von: Fateh, Fawad Javed, et al.
Veröffentlicht: (2024)

Improving Motion in Image-to-Video Models via Adaptive Low-Pass Guidance
von: Choi, June Suk, et al.
Veröffentlicht: (2025)

SlotVTG: Object-Centric Adapter for Generalizable Video Temporal Grounding
von: Han, Jiwook, et al.
Veröffentlicht: (2026)

HalLoc: Token-level Localization of Hallucinations for Vision Language Models
von: Park, Eunkyu, et al.
Veröffentlicht: (2025)

Towards Temporal Fusion Beyond the Field of View for Camera-based Semantic Scene Completion
von: Bae, Jongseong, et al.
Veröffentlicht: (2025)

JARViS: Detecting Actions in Video Using Unified Actor-Scene Context Relation Modeling
von: Lee, Seok Hwan, et al.
Veröffentlicht: (2024)

Isometric Representation Learning for Disentangled Latent Space of Diffusion Models
von: Hahm, Jaehoon, et al.
Veröffentlicht: (2024)

SpatialBoost: Enhancing Visual Representation through Language-Guided Reasoning
von: Jeon, Byungwoo, et al.
Veröffentlicht: (2026)

ESREAL: Exploiting Semantic Reconstruction to Mitigate Hallucinations in Vision-Language Models
von: Kim, Minchan, et al.
Veröffentlicht: (2024)

Infusing Environmental Captions for Long-Form Video Language Grounding
von: Lee, Hyogun, et al.
Veröffentlicht: (2024)

SpatialMosaic: A Multiview VLM Dataset for Partial Visibility
von: Lee, Kanghee, et al.
Veröffentlicht: (2025)

HiCM$^2$: Hierarchical Compact Memory Modeling for Dense Video Captioning
von: Kim, Minkuk, et al.
Veröffentlicht: (2024)

Do You Remember? Dense Video Captioning with Cross-Modal Memory Retrieval
von: Kim, Minkuk, et al.
Veröffentlicht: (2024)