Buchumschlag

TOGA: Temporally Grounded Open-Ended Video QA with Weak Supervision

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Gupta, Ayush, Roy, Anirban, Chellappa, Rama, Bastian, Nathaniel D., Velasquez, Alvaro, Jha, Susmit
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

MimicGait: A Model Agnostic approach for Occluded Gait Recognition using Correlational Knowledge Distillation
von: Gupta, Ayush, et al.
Veröffentlicht: (2025)

Mind the Gap: Bridging Occlusion in Gait Recognition via Residual Gap Correction
von: Gupta, Ayush, et al.
Veröffentlicht: (2025)

Enrich and Detect: Video Temporal Grounding with Multimodal LLMs
von: Pramanick, Shraman, et al.
Veröffentlicht: (2025)

DiffInf: Influence-Guided Diffusion for Supervision Alignment in Facial Attribute Learning
von: Pal, Basudha, et al.
Veröffentlicht: (2026)

Calibrating Uncertainty Quantification of Multi-Modal LLMs using Grounding
von: Padhi, Trilok, et al.
Veröffentlicht: (2025)

Zero-Shot Personalization of Objects via Textual Inversion
von: Roy, Aniket, et al.
Veröffentlicht: (2026)

GaitContour: Efficient Gait Recognition based on a Contour-Pose Representation
von: Guo, Yuxiang, et al.
Veröffentlicht: (2023)

MovieRecapsQA: A Multimodal Open-Ended Video Question-Answering Benchmark
von: Shaar, Shaden, et al.
Veröffentlicht: (2026)

Contextual Self-paced Learning for Weakly Supervised Spatio-Temporal Video Grounding
von: Kumar, Akash, et al.
Veröffentlicht: (2025)

Template-based Multi-Domain Face Recognition
von: Nanduri, Anirudh, et al.
Veröffentlicht: (2024)

CLR-Face: Conditional Latent Refinement for Blind Face Restoration Using Score-Based Diffusion Models
von: Suin, Maitreya, et al.
Veröffentlicht: (2024)

MultLFG: Training-free Multi-LoRA composition using Frequency-domain Guidance
von: Roy, Aniket, et al.
Veröffentlicht: (2025)

Pix2Key: Controllable Open-Vocabulary Retrieval with Semantic Decomposition and Self-Supervised Visual Dictionary Learning
von: Wei, Guoyizhe, et al.
Veröffentlicht: (2026)

Cross-Modal Fusion and Attention Mechanism for Weakly Supervised Video Anomaly Detection
von: Ghadiya, Ayush, et al.
Veröffentlicht: (2024)

ViT-Linearizer: Distilling Quadratic Knowledge into Linear-Time Vision Models
von: Wei, Guoyizhe, et al.
Veröffentlicht: (2025)

STPro: Spatial and Temporal Progressive Learning for Weakly Supervised Spatio-Temporal Grounding
von: Garg, Aaryan, et al.
Veröffentlicht: (2025)

Polysemantic Dropout: Conformal OOD Detection for Specialized LLMs
von: Gupta, Ayush, et al.
Veröffentlicht: (2025)

Uncertainty-quantified Pulse Signal Recovery from Facial Video using Regularized Stochastic Interpolants
von: Shenoy, Vineet R., et al.
Veröffentlicht: (2026)

Weakly Supervised Temporal Sentence Grounding via Positive Sample Mining
von: Dong, Lu, et al.
Veröffentlicht: (2025)

A Quantitative Evaluation of the Expressivity of BMI, Pose and Gender in Body Embeddings for Recognition and Identification
von: Pal, Basudha, et al.
Veröffentlicht: (2025)

Cross-Spectral Body Recognition with Side Information Embedding: Benchmarks on LLCM and Analyzing Range-Induced Occlusions on IJB-MDF
von: Nanduri, Anirudh, et al.
Veröffentlicht: (2025)

Multi-Domain Biometric Recognition using Body Embeddings
von: Nanduri, Anirudh, et al.
Veröffentlicht: (2025)

Beyond Isolated Facts: Synthesizing Narrative and Grounded Supervision for VideoQA
von: Liang, Jianxin, et al.
Veröffentlicht: (2025)

EtC: Temporal Boundary Expand then Clarify for Weakly Supervised Video Grounding with Multimodal Large Language Model
von: Li, Guozhang, et al.
Veröffentlicht: (2023)

VILLS -- Video-Image Learning to Learn Semantics for Person Re-Identification
von: Huang, Siyuan, et al.
Veröffentlicht: (2023)

Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Grounding
von: Wasim, Syed Talal, et al.
Veröffentlicht: (2023)

NeuS-QA: Grounding Long-Form Video Understanding in Temporal Logic and Neuro-Symbolic Reasoning
von: Shah, Sahil, et al.
Veröffentlicht: (2025)

StimuVAR: Spatiotemporal Stimuli-aware Video Affective Reasoning with Multimodal Large Language Models
von: Guo, Yuxiang, et al.
Veröffentlicht: (2024)

Siamese Learning with Joint Alignment and Regression for Weakly-Supervised Video Paragraph Grounding
von: Tan, Chaolei, et al.
Veröffentlicht: (2024)

Video-in-the-Loop: Span-Grounded Long Video QA with Interleaved Reasoning
von: Wang, Chendong, et al.
Veröffentlicht: (2025)

Grounded Multi-Hop VideoQA in Long-Form Egocentric Videos
von: Chen, Qirui, et al.
Veröffentlicht: (2024)

Finding Optimal Video Moment without Training: Gaussian Boundary Optimization for Weakly Supervised Video Grounding
von: Kim, Sunoh, et al.
Veröffentlicht: (2026)

SPIDER: Spatial Image CorresponDence Estimator for Robust Calibration
von: Shao, Zhimin, et al.
Veröffentlicht: (2025)

CAM3R: Camera-Agnostic Model for 3D Reconstruction
von: Guruprasad, Namitha, et al.
Veröffentlicht: (2026)

Language-guided Open-world Video Anomaly Detection under Weak Supervision
von: Liu, Zihao, et al.
Veröffentlicht: (2025)

RANKVIDEO: Reasoning Reranking for Text-to-Video Retrieval
von: Skow, Tyler, et al.
Veröffentlicht: (2026)

Ranking Distillation for Open-Ended Video Question Answering with Insufficient Labels
von: Liang, Tianming, et al.
Veröffentlicht: (2024)

Gaussian Mixture Proposals with Pull-Push Learning Scheme to Capture Diverse Events for Weakly Supervised Temporal Video Grounding
von: Kim, Sunoh, et al.
Veröffentlicht: (2023)

TriFusion-AE: Language-Guided Depth and LiDAR Fusion for Robust Point Cloud Processing
von: Neogi, Susmit
Veröffentlicht: (2025)

MV2MAE: Multi-View Video Masked Autoencoders
von: Shah, Ketul, et al.
Veröffentlicht: (2024)