Buchumschlag

VCRBench: Exploring Long-form Causal Reasoning Capabilities of Large Video Language Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Sarkar, Pritam, Etemad, Ali
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

Self-alignment of Large Video Language Models with Refined Regularized Preference Optimization
von: Sarkar, Pritam, et al.
Veröffentlicht: (2025)

Consistency-guided Prompt Learning for Vision-Language Models
von: Roy, Shuvendu, et al.
Veröffentlicht: (2023)

Mitigating Object Hallucination in MLLMs via Data-augmented Phrase-level Alignment
von: Sarkar, Pritam, et al.
Veröffentlicht: (2024)

SelfPrompt: Confidence-Aware Semi-Supervised Tuning for Robust Vision-Language Model Adaptation
von: Roy, Shuvendu, et al.
Veröffentlicht: (2025)

Exploring the Boundaries of Semi-Supervised Facial Expression Recognition using In-Distribution, Out-of-Distribution, and Unconstrained Data
von: Roy, Shuvendu, et al.
Veröffentlicht: (2023)

CycleCrash: A Dataset of Bicycle Collision Videos for Collision Prediction and Analysis
von: Desai, Nishq Poorav, et al.
Veröffentlicht: (2024)

CollideNet: Hierarchical Multi-scale Video Representation Learning with Disentanglement for Time-To-Collision Forecasting
von: Desai, Nishq Poorav, et al.
Veröffentlicht: (2026)

Impact of Strategic Sampling and Supervision Policies on Semi-supervised Learning
von: Roy, Shuvendu, et al.
Veröffentlicht: (2022)

Partial Label Learning for Emotion Recognition from EEG
von: Zhang, Guangyi, et al.
Veröffentlicht: (2023)

Investigating Video Reasoning Capability of Large Language Models with Tropes in Movies
von: Su, Hung-Ting, et al.
Veröffentlicht: (2024)

On The Relationship Between Continual Learning and Long-Tailed Recognition
von: Molahasani, Mahdiyar, et al.
Veröffentlicht: (2023)

BOLT: Boost Large Vision-Language Model Without Training for Long-form Video Understanding
von: Liu, Shuming, et al.
Veröffentlicht: (2025)

Diffusion Models with Deterministic Normalizing Flow Priors
von: Zand, Mohsen, et al.
Veröffentlicht: (2023)

Insight-V: Exploring Long-Chain Visual Reasoning with Multimodal Large Language Models
von: Dong, Yuhao, et al.
Veröffentlicht: (2024)

Unmasking Deepfakes: Masked Autoencoding Spatiotemporal Transformers for Enhanced Video Forgery Detection
von: Das, Sayantan, et al.
Veröffentlicht: (2023)

Learning Compact Video Representations for Efficient Long-form Video Understanding in Large Multimodal Models
von: Chen, Yuxiao, et al.
Veröffentlicht: (2026)

Streaming Long Video Understanding with Large Language Models
von: Qian, Rui, et al.
Veröffentlicht: (2024)

VideoAgent: Long-form Video Understanding with Large Language Model as Agent
von: Wang, Xiaohan, et al.
Veröffentlicht: (2024)

Scaling Up Semi-supervised Learning with Unconstrained Unlabelled Data
von: Roy, Shuvendu, et al.
Veröffentlicht: (2023)

Human Pose Estimation from Ambiguous Pressure Recordings with Spatio-temporal Masked Transformers
von: Davoodnia, Vandad, et al.
Veröffentlicht: (2023)

GoT: Unleashing Reasoning Capability of Multimodal Large Language Model for Visual Generation and Editing
von: Fang, Rongyao, et al.
Veröffentlicht: (2025)

Consistency-Guided Asynchronous Contrastive Tuning for Few-Shot Class-Incremental Tuning of Foundation Models
von: Roy, Shuvendu, et al.
Veröffentlicht: (2024)

LongVLM: Efficient Long Video Understanding via Large Language Models
von: Weng, Yuetian, et al.
Veröffentlicht: (2024)

Enhancing Video Large Language Models with Structured Multi-Video Collaborative Reasoning
von: He, Zhihao, et al.
Veröffentlicht: (2025)

ViLLa: Video Reasoning Segmentation with Large Language Model
von: Zheng, Rongkun, et al.
Veröffentlicht: (2024)

ChartMuseum: Testing Visual Reasoning Capabilities of Large Vision-Language Models
von: Tang, Liyan, et al.
Veröffentlicht: (2025)

Language Model Guided Interpretable Video Action Reasoning
von: Wang, Ning, et al.
Veröffentlicht: (2024)

Video Token Merging for Long-form Video Understanding
von: Lee, Seon-Ho, et al.
Veröffentlicht: (2024)

SpaceVLLM: Endowing Multimodal Large Language Model with Spatio-Temporal Video Grounding Capability
von: Wang, Jiankang, et al.
Veröffentlicht: (2025)

Multi-Frame Vision-Language Model for Long-form Reasoning in Driver Behavior Analysis
von: Takato, Hiroshi, et al.
Veröffentlicht: (2024)

TSPO: Temporal Sampling Policy Optimization for Long-form Video Language Understanding
von: Tang, Canhui, et al.
Veröffentlicht: (2025)

VADER: Towards Causal Video Anomaly Understanding with Relation-Aware Large Language Models
von: Cheng, Ying, et al.
Veröffentlicht: (2025)

VISA: Reasoning Video Object Segmentation via Large Language Models
von: Yan, Cilin, et al.
Veröffentlicht: (2024)

Follow the Rules: Reasoning for Video Anomaly Detection with Large Language Models
von: Yang, Yuchen, et al.
Veröffentlicht: (2024)

LookWhen? Fast Video Recognition by Learning When, Where, and What to Compute
von: Salamatian, Ali, et al.
Veröffentlicht: (2026)

VideoAesBench: Benchmarking the Video Aesthetics Perception Capabilities of Large Multimodal Models
von: Li, Yunhao, et al.
Veröffentlicht: (2026)

Reasoning Text-to-Video Retrieval via Digital Twin Video Representations and Large Language Models
von: Shen, Yiqing, et al.
Veröffentlicht: (2025)

Mixed-R1: Unified Reward Perspective For Reasoning Capability in Multimodal Large Language Models
von: Xu, Shilin, et al.
Veröffentlicht: (2025)

Temporal Contrastive Learning for Video Temporal Reasoning in Large Vision-Language Models
von: Souza, Rafael, et al.
Veröffentlicht: (2024)

Learning Trajectory-Aware Multimodal Large Language Models for Video Reasoning Segmentation
von: Luo, Jingnan, et al.
Veröffentlicht: (2026)