Buchumschlag

Shot-by-Shot: Film-Grammar-Aware Training-Free Audio Description Generation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Xie, Junyu, Han, Tengda, Bain, Max, Nagrani, Arsha, Khandelwal, Eshika, Varol, Gül, Xie, Weidi, Zisserman, Andrew
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

AutoAD-Zero: A Training-Free Framework for Zero-Shot Audio Description
von: Xie, Junyu, et al.
Veröffentlicht: (2024)

More than a Moment: Towards Coherent Sequences of Audio Descriptions
von: Khandelwal, Eshika, et al.
Veröffentlicht: (2025)

AutoAD III: The Prequel -- Back to the Pixels
von: Han, Tengda, et al.
Veröffentlicht: (2024)

GMOS: Grounding Moving Object Segmentation in 3D Space and Time
von: Xie, Junyu, et al.
Veröffentlicht: (2026)

Character-Centric Understanding of Animated Movies
von: Gui, Zhongrui, et al.
Veröffentlicht: (2025)

Appearance-Based Refinement for Object-Centric Motion Segmentation
von: Xie, Junyu, et al.
Veröffentlicht: (2023)

Moving Object Segmentation: All You Need Is SAM (and Flow)
von: Xie, Junyu, et al.
Veröffentlicht: (2024)

What You See is What You Ask: Evaluating Audio Descriptions
von: Kala, Divy, et al.
Veröffentlicht: (2025)

Made to Order: Discovering monotonic temporal changes via self-supervised video ordering
von: Yang, Charig, et al.
Veröffentlicht: (2024)

A General Protocol to Probe Large Vision Models for 3D Physical Understanding
von: Zhan, Guanqi, et al.
Veröffentlicht: (2023)

Amodal Ground Truth and Completion in the Wild
von: Zhan, Guanqi, et al.
Veröffentlicht: (2023)

CountGD: Multi-Modal Open-World Counting
von: Amini-Naieni, Niki, et al.
Veröffentlicht: (2024)

Unbiasing through Textual Descriptions: Mitigating Representation Bias in Video Benchmarks
von: Shvetsova, Nina, et al.
Veröffentlicht: (2025)

Lost in Translation, Found in Context: Sign Language Translation with Contextual Cues
von: Jang, Youngjoon, et al.
Veröffentlicht: (2025)

Inferring Dynamic Physical Properties from Video Foundation Models
von: Zhan, Guanqi, et al.
Veröffentlicht: (2025)

ELIP: Enhanced Visual-Language Foundation Models for Image Retrieval
von: Zhan, Guanqi, et al.
Veröffentlicht: (2025)

It's Just Another Day: Unique Video Captioning by Discriminative Prompting
von: Perrett, Toby, et al.
Veröffentlicht: (2024)

Synchformer: Efficient Synchronization from Sparse Cues
von: Iashin, Vladimir, et al.
Veröffentlicht: (2024)

VicTR: Video-conditioned Text Representations for Activity Recognition
von: Kahatapitiya, Kumara, et al.
Veröffentlicht: (2023)

Lost in Translation, Found in Embeddings: Sign Language Translation and Alignment
von: Jang, Youngjoon, et al.
Veröffentlicht: (2025)

Seeing without Pixels: Perception from Camera Trajectories
von: Xue, Zihui, et al.
Veröffentlicht: (2025)

Look, Listen and Recognise: Character-Aware Audio-Visual Subtitling
von: Korbar, Bruno, et al.
Veröffentlicht: (2024)

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

Hypergraph-Enhanced Training-Free and Language-Free Few-Shot Anomaly Detection
von: Xie, Guohuan, et al.
Veröffentlicht: (2026)

Scaling Audio-Text Retrieval with Multimodal Large Language Models
von: Xu, Jilan, et al.
Veröffentlicht: (2026)

A Training-Free Framework for Video License Plate Tracking and Recognition with Only One-Shot
von: Ding, Haoxuan, et al.
Veröffentlicht: (2024)

LGD: Leveraging Generative Descriptions for Zero-Shot Referring Image Segmentation
von: Li, Jiachen, et al.
Veröffentlicht: (2025)

A Tale of Two Languages: Large-Vocabulary Continuous Sign Language Recognition from Spoken Language Supervision
von: Raude, Charles, et al.
Veröffentlicht: (2024)

MoReVQA: Exploring Modular Reasoning Models for Video Question Answering
von: Min, Juhong, et al.
Veröffentlicht: (2024)

Seeing Eye to AI: Comparing Human Gaze and Model Attention in Video Memorability
von: Kumar, Prajneya, et al.
Veröffentlicht: (2023)

DenseStep2M: A Scalable, Training-Free Pipeline for Dense Instructional Video Annotation
von: Ge, Mingji, et al.
Veröffentlicht: (2026)

PoseTalk: Text-and-Audio-based Pose Control and Motion Refinement for One-Shot Talking Head Generation
von: Ling, Jun, et al.
Veröffentlicht: (2024)

Chirality in Action: Time-Aware Video Representation Learning by Latent Straightening
von: Bagad, Piyush, et al.
Veröffentlicht: (2025)

CAViAR: Critic-Augmented Video Agentic Reasoning
von: Menon, Sachit, et al.
Veröffentlicht: (2025)

Boosting Quantitive and Spatial Awareness for Zero-Shot Object Counting
von: Zhang, Da, et al.
Veröffentlicht: (2026)

Text-Driven 3D Hand Motion Generation from Sign Language Data
von: Bensabath, Léore, et al.
Veröffentlicht: (2025)

A Cross-Dataset Study for Text-based 3D Human Motion Retrieval
von: Bensabath, Léore, et al.
Veröffentlicht: (2024)

Learning text-to-video retrieval from image captioning
von: Ventura, Lucas, et al.
Veröffentlicht: (2024)

Shot-Aware Frame Sampling for Video Understanding
von: Zhao, Mengyu, et al.
Veröffentlicht: (2026)

The Manga Whisperer: Automatically Generating Transcriptions for Comics
von: Sachdeva, Ragav, et al.
Veröffentlicht: (2024)