Buchumschlag

Predicting Implicit Arguments in Procedural Video Instructions

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Batra, Anil, Sevilla-Lara, Laura, Rohrbach, Marcus, Keller, Frank
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computation and Language Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Efficient Pre-training for Localized Instruction Generation of Videos
von: Batra, Anil, et al.
Veröffentlicht: (2023)

Chrono: A Simple Blueprint for Representing Time in MLLMs
von: Rodriguez, Hector, et al.
Veröffentlicht: (2024)

DEFAME: Dynamic Evidence-based FAct-checking with Multimodal Experts
von: Braun, Tobias, et al.
Veröffentlicht: (2024)

CAST: Cross-modal Alignment Similarity Test for Vision Language Models
von: Dagan, Gautier, et al.
Veröffentlicht: (2024)

V$^2$Dial: Unification of Video and Visual Dialog via Multimodal Experts
von: Abdessaied, Adnen, et al.
Veröffentlicht: (2025)

Exo2EgoDVC: Dense Video Captioning of Egocentric Procedural Activities Using Web Instructional Videos
von: Ohkawa, Takehiko, et al.
Veröffentlicht: (2023)

Coarse or Fine? Recognising Action End States without Labels
von: Moltisanti, Davide, et al.
Veröffentlicht: (2024)

Understanding Multimodal Procedural Knowledge by Sequencing Multimodal Instructional Manuals
von: Wu, Te-Lin, et al.
Veröffentlicht: (2021)

How to Correctly Make Mistakes: A Framework for Constructing and Benchmarking Mistake Aware Egocentric Procedural Videos
von: Loginova, Olga, et al.
Veröffentlicht: (2026)

SIEVES: Selective Prediction Generalizes through Visual Evidence Scoring
von: Rodriguez, Hector G., et al.
Veröffentlicht: (2026)

SCHEMA: State CHangEs MAtter for Procedure Planning in Instructional Videos
von: Niu, Yulei, et al.
Veröffentlicht: (2024)

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

Multimodal Abstractive Summarization of Instructional Videos with Vision-Language Models
von: Nazir, Maham, et al.
Veröffentlicht: (2026)

GUIDE: A Guideline-Guided Dataset for Instructional Video Comprehension
von: Liang, Jiafeng, et al.
Veröffentlicht: (2024)

CoTasks: Chain-of-Thought based Video Instruction Tuning Tasks
von: Wang, Yanan, et al.
Veröffentlicht: (2025)

VIGiA: Instructional Video Guidance via Dialogue Reasoning and Retrieval
von: Glória-Silva, Diogo, et al.
Veröffentlicht: (2026)

Open-Event Procedure Planning in Instructional Videos
von: Wu, Yilu, et al.
Veröffentlicht: (2024)

MS4UI: A Dataset for Multi-modal Summarization of User Interface Instructional Videos
von: Zang, Yuan, et al.
Veröffentlicht: (2025)

RECIPE: Procedural Planning via Grounding in Instructional Video
von: Seminara, Luigi, et al.
Veröffentlicht: (2026)

PDPP: Projected Diffusion for Procedure Planning in Instructional Videos
von: Wang, Hanlin, et al.
Veröffentlicht: (2023)

Selective Vision is the Challenge for Visual Reasoning: A Benchmark for Visual Argument Understanding
von: Chung, Jiwan, et al.
Veröffentlicht: (2024)

VeriTaS: The First Dynamic Benchmark for Multimodal Automated Fact-Checking
von: Rothermel, Mark, et al.
Veröffentlicht: (2026)

PosterSum: A Multimodal Benchmark for Scientific Poster Summarization
von: Saxena, Rohit, et al.
Veröffentlicht: (2025)

What Makes for Good Visual Instructions? Synthesizing Complex Visual Reasoning Instructions for Visual Instruction Tuning
von: Du, Yifan, et al.
Veröffentlicht: (2023)

Masked Temporal Interpolation Diffusion for Procedure Planning in Instructional Videos
von: Zhou, Yufan, et al.
Veröffentlicht: (2025)

ReCap: Lightweight Referential Grounding for Coherent Story Visualization
von: Arora, Aditya, et al.
Veröffentlicht: (2026)

ProMQA-Assembly: Multimodal Procedural QA Dataset on Assembly
von: Hasegawa, Kimihiro, et al.
Veröffentlicht: (2025)

Bias for Action: Video Implicit Neural Representations with Bias Modulation
von: Kayabasi, Alper, et al.
Veröffentlicht: (2025)

From Instructions to Assistance: a Dataset Aligning Instruction Manuals with Assembly Videos for Evaluating Multimodal LLMs
von: Toschi, Federico, et al.
Veröffentlicht: (2026)

SiMing-Bench: Evaluating Procedural Correctness from Continuous Interactions in Clinical Skill Videos
von: Huang, Xiyang, et al.
Veröffentlicht: (2026)

VEGGIE: Instructional Editing and Reasoning Video Concepts with Grounded Generation
von: Yu, Shoubin, et al.
Veröffentlicht: (2025)

VIMI: Grounding Video Generation through Multi-modal Instruction
von: Fang, Yuwei, et al.
Veröffentlicht: (2024)

Instruction Makes a Difference
von: Adewumi, Tosin, et al.
Veröffentlicht: (2024)

Telling Stories for Common Sense Zero-Shot Action Recognition
von: Gowda, Shreyank N, et al.
Veröffentlicht: (2023)

EgoOops: A Dataset for Mistake Action Detection from Egocentric Videos referring to Procedural Texts
von: Haneji, Yuto, et al.
Veröffentlicht: (2024)

Mask2IV: Interaction-Centric Video Generation via Mask Trajectories
von: Li, Gen, et al.
Veröffentlicht: (2025)

AID: Adapting Image2Video Diffusion Models for Instruction-guided Video Prediction
von: Xing, Zhen, et al.
Veröffentlicht: (2024)

Variational Visual Question Answering for Uncertainty-Aware Selective Prediction
von: Wieczorek, Tobias Jan, et al.
Veröffentlicht: (2025)

MultiMat: Multimodal Program Synthesis for Procedural Materials using Large Multimodal Models
von: Belouadi, Jonas, et al.
Veröffentlicht: (2025)

CI w/o TN: Context Injection without Task Name for Procedure Planning
von: Li, Xinjie
Veröffentlicht: (2024)