Buchumschlag

Advancing Egocentric Video Question Answering with Multimodal Large Language Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Patel, Alkesh, Chitalia, Vibhav, Yang, Yinfei
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence Machine Learning Robotics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Ego-Grounding for Personalized Question-Answering in Egocentric Videos
von: Xiao, Junbin, et al.
Veröffentlicht: (2026)

EgoVLA: Learning Vision-Language-Action Models from Egocentric Human Videos
von: Yang, Ruihan, et al.
Veröffentlicht: (2025)

DarkQA: Benchmarking Vision-Language Models on Visual-Primitive Question Answering in Low-Light Indoor Scenes
von: Park, Yohan, et al.
Veröffentlicht: (2025)

NoisyEQA: Benchmarking Embodied Question Answering Against Noisy Queries
von: Wu, Tao, et al.
Veröffentlicht: (2024)

Towards Autonomous Instrument Tray Assembly for Sterile Processing Applications
von: Sankaranarayanan, Raghavasimhan, et al.
Veröffentlicht: (2026)

MM-Ego: Towards Building Egocentric Multimodal LLMs for Video QA
von: Ye, Hanrong, et al.
Veröffentlicht: (2024)

Explore until Confident: Efficient Exploration for Embodied Question Answering
von: Ren, Allen Z., et al.
Veröffentlicht: (2024)

Whole-Body Conditioned Egocentric Video Prediction
von: Bai, Yutong, et al.
Veröffentlicht: (2025)

When Robots Should Say "I Don't Know": Benchmarking Abstention in Embodied Question Answering
von: Wu, Tao, et al.
Veröffentlicht: (2025)

LVSum: A Benchmark for Timestamp-Aware Long Video Summarization
von: Patel, Alkesh, et al.
Veröffentlicht: (2026)

Advances in Multimodal Adaptation and Generalization: From Traditional Approaches to Foundation Models
von: Dong, Hao, et al.
Veröffentlicht: (2025)

EgoCross: Benchmarking Multimodal Large Language Models for Cross-Domain Egocentric Video Question Answering
von: Li, Yanjun, et al.
Veröffentlicht: (2025)

MapIQ: Evaluating Multimodal Large Language Models for Map Question Answering
von: Srivastava, Varun, et al.
Veröffentlicht: (2025)

Bridging Vision Language Models and Symbolic Grounding for Video Question Answering
von: Ma, Haodi, et al.
Veröffentlicht: (2025)

3D Hand Pose Estimation in Everyday Egocentric Images
von: Prakash, Aditya, et al.
Veröffentlicht: (2023)

TAVIS: A Benchmark for Egocentric Active Vision and Anticipatory Gaze in Imitation Learning
von: Spigler, Giacomo
Veröffentlicht: (2026)

Scalable Vision-Language-Action Model Pretraining for Robotic Manipulation with Real-Life Human Activity Videos
von: Li, Qixiu, et al.
Veröffentlicht: (2025)

DreamDojo: A Generalist Robot World Model from Large-Scale Human Videos
von: Gao, Shenyuan, et al.
Veröffentlicht: (2026)

Towards Fine-Grained Video Question Answering
von: Dai, Wei, et al.
Veröffentlicht: (2025)

VLM See, Robot Do: Human Demo Video to Robot Action Plan via Vision Language Model
von: Wang, Beichen, et al.
Veröffentlicht: (2024)

LLMPhy: Parameter-Identifiable Physical Reasoning Combining Large Language Models and Physics Engines
von: Cherian, Anoop, et al.
Veröffentlicht: (2024)

World Simulation with Video Foundation Models for Physical AI
von: NVIDIA, et al.
Veröffentlicht: (2025)

Know Where You're Uncertain When Planning with Multimodal Foundation Models: A Formal Framework
von: Bhatt, Neel P., et al.
Veröffentlicht: (2024)

Turning Video Models into Generalist Robot Policies
von: Li, Sizhe Lester, et al.
Veröffentlicht: (2026)

OpenEgo: A Large-Scale Multimodal Egocentric Dataset for Dexterous Manipulation
von: Jawaid, Ahad, et al.
Veröffentlicht: (2025)

Deep Dependency Networks and Advanced Inference Schemes for Multi-Label Classification
von: Arya, Shivvrat, et al.
Veröffentlicht: (2024)

Vidar: Embodied Video Diffusion Model for Generalist Manipulation
von: Feng, Yao, et al.
Veröffentlicht: (2025)

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

Advancing Autonomous Vehicle Intelligence: Deep Learning and Multimodal LLM for Traffic Sign Recognition and Robust Lane Detection
von: Sah, Chandan Kumar, et al.
Veröffentlicht: (2025)

Prune-Then-Plan: Step-Level Calibration for Stable Frontier Exploration in Embodied Question Answering
von: Frahm, Noah, et al.
Veröffentlicht: (2025)

Grounding Video Models to Actions through Goal Conditioned Exploration
von: Luo, Yunhao, et al.
Veröffentlicht: (2024)

STELLAR: Scaling 3D Perception Large Models for Autonomous Driving
von: Li, Yingwei, et al.
Veröffentlicht: (2026)

ModeSeq: Taming Sparse Multimodal Motion Prediction with Sequential Mode Modeling
von: Zhou, Zikang, et al.
Veröffentlicht: (2024)

Application of Vision-Language Model to Pedestrians Behavior and Scene Understanding in Autonomous Driving
von: Gao, Haoxiang, et al.
Veröffentlicht: (2025)

LanguageMPC: Large Language Models as Decision Makers for Autonomous Driving
von: Sha, Hao, et al.
Veröffentlicht: (2023)

Lightweight Multimodal Artificial Intelligence Framework for Maritime Multi-Scene Recognition
von: Xi, Xinyu, et al.
Veröffentlicht: (2025)

Scaling Spatial Intelligence with Multimodal Foundation Models
von: Cai, Zhongang, et al.
Veröffentlicht: (2025)

AI Guide Dog: Egocentric Path Prediction on Smartphone
von: Jadhav, Aishwarya, et al.
Veröffentlicht: (2025)

Visual Question Decomposition on Multimodal Large Language Models
von: Zhang, Haowei, et al.
Veröffentlicht: (2024)

mimic-video: Video-Action Models for Generalizable Robot Control Beyond VLAs
von: Pai, Jonas, et al.
Veröffentlicht: (2025)