Buchumschlag

Audio-centric Video Understanding Benchmark without Text Shortcut

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yang, Yudong, Zhuang, Jimin, Sun, Guangzhi, Tang, Changli, Li, Yixuan, Li, Peihan, Jiang, Yifan, Li, Wei, Ma, Zejun, Zhang, Chao
Format:	Preprint
Veröffentlicht:	2025
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

Improving LLM Video Understanding with 16 Frames Per Second
von: Li, Yixuan, et al.
Veröffentlicht: (2025)

video-SALMONN 2: Caption-Enhanced Audio-Visual Large Language Models
von: Tang, Changli, et al.
Veröffentlicht: (2025)

video-SALMONN-o1: Reasoning-enhanced Audio-visual Large Language Model
von: Sun, Guangzhi, et al.
Veröffentlicht: (2025)

Enhancing Multimodal LLM for Detailed and Accurate Video Captioning using Multi-Round Preference Optimization
von: Tang, Changli, et al.
Veröffentlicht: (2024)

video-SALMONN S: Memory-Enhanced Streaming Audio-Visual LLM
von: Sun, Guangzhi, et al.
Veröffentlicht: (2025)

Can Large Language Models Understand Spatial Audio?
von: Tang, Changli, et al.
Veröffentlicht: (2024)

OCR-Enhanced Multimodal ASR Can Read While Listening
von: Chen, Junli, et al.
Veröffentlicht: (2026)

video-SALMONN: Speech-Enhanced Audio-Visual Large Language Models
von: Sun, Guangzhi, et al.
Veröffentlicht: (2024)

Enabling Auditory Large Language Models for Automatic Speech Quality Evaluation
von: Wang, Siyin, et al.
Veröffentlicht: (2024)

SALMONN: Towards Generic Hearing Abilities for Large Language Models
von: Tang, Changli, et al.
Veröffentlicht: (2023)

Speech-Audio Compositional Attacks on Multimodal LLMs and Their Mitigation with SALMONN-Guard
von: Yang, Yudong, et al.
Veröffentlicht: (2025)

Video Prediction Transformers without Recurrence or Convolution
von: Tang, Yujin, et al.
Veröffentlicht: (2024)

FinMTEB: Finance Massive Text Embedding Benchmark
von: Tang, Yixuan, et al.
Veröffentlicht: (2025)

Learning with Logical Constraints but without Shortcut Satisfaction
von: Li, Zenan, et al.
Veröffentlicht: (2024)

Text-Audio-Visual-conditioned Diffusion Model for Video Saliency Prediction
von: Yu, Li, et al.
Veröffentlicht: (2025)

Representation-Regularized Convolutional Audio Transformer for Audio Understanding
von: Han, Bing, et al.
Veröffentlicht: (2026)

PhyAVBench: A Challenging Audio Physics-Sensitivity Benchmark for Physically Grounded Text-to-Audio-Video Generation
von: Xie, Tianxin, et al.
Veröffentlicht: (2025)

D-ORCA: Dialogue-Centric Optimization for Robust Audio-Visual Captioning
von: Tang, Changli, et al.
Veröffentlicht: (2026)

A Shortcut-aware Video-QA Benchmark for Physical Understanding via Minimal Video Pairs
von: Krojer, Benno, et al.
Veröffentlicht: (2025)

EmbSpatial-Bench: Benchmarking Spatial Understanding for Embodied Tasks with Large Vision-Language Models
von: Du, Mengfei, et al.
Veröffentlicht: (2024)

Synthesis, Surface Chemistry, and Applications of Non‐Zero‐Dimensional Diamond Nanostructures
von: Changli Li, et al.
Veröffentlicht: (2024)

Multiplexing Neural Audio Watermarks
von: Yuan, Zheqi, et al.
Veröffentlicht: (2025)

LLaVA-Video: Video Instruction Tuning With Synthetic Data
von: Zhang, Yuanhan, et al.
Veröffentlicht: (2024)

AniPortrait: Audio-Driven Synthesis of Photorealistic Portrait Animation
von: Wei, Huawei, et al.
Veröffentlicht: (2024)

SpurAudio: A Benchmark for Studying Shortcut Learning in Few-Shot Audio Classification
von: Ayoub, Giries Abu, et al.
Veröffentlicht: (2026)

Text-Driven Video Style Transfer with State-Space Models: Extending StyleMamba for Temporal Coherence
von: Li, Chao, et al.
Veröffentlicht: (2025)

Extract and Diffuse: Latent Integration for Improved Diffusion-based Speech and Vocal Enhancement
von: Yang, Yudong, et al.
Veröffentlicht: (2024)

AVGen-Bench: A Task-Driven Benchmark for Multi-Granular Evaluation of Text-to-Audio-Video Generation
von: Zhou, Ziwei, et al.
Veröffentlicht: (2026)

Models Know Their Shortcuts: Deployment-Time Shortcut Mitigation
von: Li, Jiayi, et al.
Veröffentlicht: (2026)

EvObj: Learning Evolving Object-centric Representations for 3D Instance Segmentation without Scene Supervision
von: Chen, Jiahao, et al.
Veröffentlicht: (2026)

WAVE: Learning Unified & Versatile Audio-Visual Embeddings with Multimodal LLM
von: Tang, Changli, et al.
Veröffentlicht: (2025)

LLM-Flock: Decentralized Multi-Robot Flocking via Large Language Models and Influence-Based Consensus
von: Li, Peihan, et al.
Veröffentlicht: (2025)

Assignment Algorithms for Multi-Robot Multi-Target Tracking with Sufficient and Limited Sensing Capability
von: Li, Peihan, et al.
Veröffentlicht: (2023)

Scaling Open Discrete Audio Foundation Models with Interleaved Semantic, Acoustic, and Text Tokens
von: Manakul, Potsawee, et al.
Veröffentlicht: (2026)

Towards General Auditory Intelligence: Large Multimodal Models for Machine Listening and Speaking
von: Wang, Siyin, et al.
Veröffentlicht: (2025)

SpatialText: A Pure-Text Cognitive Benchmark for Spatial Understanding in Large Language Models
von: Jiang, Peiyao, et al.
Veröffentlicht: (2026)

An Embarrassingly Simple Graph Heuristic Reveals Shortcut-Solvable Benchmarks for Sequential Recommendation
von: Han, Haoyu, et al.
Veröffentlicht: (2026)

UNQA: Unified No-Reference Quality Assessment for Audio, Image, Video, and Audio-Visual Content
von: Cao, Yuqin, et al.
Veröffentlicht: (2024)

FocusedAD: Character-centric Movie Audio Description
von: Ye, Xiaojun, et al.
Veröffentlicht: (2025)

A Unified Framework for Human-centric Point Cloud Video Understanding
von: Xu, Yiteng, et al.
Veröffentlicht: (2024)