Team of One: Cracking Complex Video QA with Model Synergy
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Xie, Jun, Zhao, Zhaoran, Guan, Xiongjun, Zhu, Yingjian, Yi, Hongzhu, Wang, Xinming, Chen, Feng, Wang, Zhepeng |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Four Eyes Are Better Than Two: Harnessing the Collaborative Potential of Large Models via Differentiated Thinking and Complementary Ensembles
par: Xie, Jun, et autres
Publié: (2025)
par: Xie, Jun, et autres
Publié: (2025)
More Is Better: A MoE-Based Emotion Recognition Framework with Human Preference Alignment
par: Xie, Jun, et autres
Publié: (2025)
par: Xie, Jun, et autres
Publié: (2025)
Multimodal Video Emotion Recognition with Reliable Reasoning Priors
par: Wang, Zhepeng, et autres
Publié: (2025)
par: Wang, Zhepeng, et autres
Publié: (2025)
Cross-Modal Registration Between 3D and 2D Fingerprints via Pose-Aware Unwrapping and Point-Cloud Fusion
par: Guan, Xiongjun, et autres
Publié: (2026)
par: Guan, Xiongjun, et autres
Publié: (2026)
Pose-Specific 3D Fingerprint Unfolding
par: Guan, Xiongjun, et autres
Publié: (2024)
par: Guan, Xiongjun, et autres
Publié: (2024)
Phase-aggregated Dual-branch Network for Efficient Fingerprint Dense Registration
par: Guan, Xiongjun, et autres
Publié: (2024)
par: Guan, Xiongjun, et autres
Publié: (2024)
Cross-Dataset Gaze Estimation by Evidential Inter-intra Fusion
par: Wang, Shijing, et autres
Publié: (2024)
par: Wang, Shijing, et autres
Publié: (2024)
PCIE_LAM Solution for Ego4D Looking At Me Challenge
par: Lertniphonphan, Kanokphan, et autres
Publié: (2024)
par: Lertniphonphan, Kanokphan, et autres
Publié: (2024)
CVBench: Benchmarking Cross-Video Synergies for Complex Multimodal Reasoning
par: Zhu, Nannan, et autres
Publié: (2025)
par: Zhu, Nannan, et autres
Publié: (2025)
WikiSeeker: Rethinking the Role of Vision-Language Models in Knowledge-Based Visual Question Answering
par: Zhu, Yingjian, et autres
Publié: (2026)
par: Zhu, Yingjian, et autres
Publié: (2026)
Finger Pose Estimation for Under-screen Fingerprint Sensor
par: Guan, Xiongjun, et autres
Publié: (2025)
par: Guan, Xiongjun, et autres
Publié: (2025)
BiFingerPose: Bimodal Finger Pose Estimation for Touch Devices
par: Guan, Xiongjun, et autres
Publié: (2025)
par: Guan, Xiongjun, et autres
Publié: (2025)
Direct Regression of Distortion Field from a Single Fingerprint Image
par: Guan, Xiongjun, et autres
Publié: (2024)
par: Guan, Xiongjun, et autres
Publié: (2024)
Identity-Consistent Multi-Pose Generation of Contactless Fingerprints
par: Pan, Zhiyu, et autres
Publié: (2026)
par: Pan, Zhiyu, et autres
Publié: (2026)
Joint Identity Verification and Pose Alignment for Partial Fingerprints
par: Guan, Xiongjun, et autres
Publié: (2024)
par: Guan, Xiongjun, et autres
Publié: (2024)
Regression of Dense Distortion Field from a Single Fingerprint Image
par: Guan, Xiongjun, et autres
Publié: (2024)
par: Guan, Xiongjun, et autres
Publié: (2024)
Video SimpleQA: Towards Factuality Evaluation in Large Video Language Models
par: Cao, Meng, et autres
Publié: (2025)
par: Cao, Meng, et autres
Publié: (2025)
ProactiveVideoQA: A Comprehensive Benchmark Evaluating Proactive Interactions in Video Large Language Models
par: Wang, Yueqian, et autres
Publié: (2025)
par: Wang, Yueqian, et autres
Publié: (2025)
Hierarchical Memory for Long Video QA
par: Wang, Yiqin, et autres
Publié: (2024)
par: Wang, Yiqin, et autres
Publié: (2024)
PCIE_Pose Solution for EgoExo4D Pose and Proficiency Estimation Challenge
par: Chen, Feng, et autres
Publié: (2025)
par: Chen, Feng, et autres
Publié: (2025)
PCIE_Interaction Solution for Ego4D Social Interaction Challenge
par: Lertniphonphan, Kanokphan, et autres
Publié: (2025)
par: Lertniphonphan, Kanokphan, et autres
Publié: (2025)
Fixed-Length Dense Fingerprint Representation with Alignment and Robust Enhancement
par: Pan, Zhiyu, et autres
Publié: (2025)
par: Pan, Zhiyu, et autres
Publié: (2025)
Latent Fingerprint Matching via Dense Minutia Descriptor
par: Pan, Zhiyu, et autres
Publié: (2024)
par: Pan, Zhiyu, et autres
Publié: (2024)
Minutiae-Anchored Local Dense Representation for Fingerprint Matching
par: Pan, Zhiyu, et autres
Publié: (2025)
par: Pan, Zhiyu, et autres
Publié: (2025)
Understanding Complexity in VideoQA via Visual Program Generation
par: Eyzaguirre, Cristobal, et autres
Publié: (2025)
par: Eyzaguirre, Cristobal, et autres
Publié: (2025)
Grounded Multi-Hop VideoQA in Long-Form Egocentric Videos
par: Chen, Qirui, et autres
Publié: (2024)
par: Chen, Qirui, et autres
Publié: (2024)
CrackSegDiff: Diffusion Probability Model-based Multi-modal Crack Segmentation
par: Jiang, Xiaoyan, et autres
Publié: (2024)
par: Jiang, Xiaoyan, et autres
Publié: (2024)
Sports-QA: A Large-Scale Video Question Answering Benchmark for Complex and Professional Sports
par: Li, Haopeng, et autres
Publié: (2024)
par: Li, Haopeng, et autres
Publié: (2024)
Neuromorphic Synergy for Video Binarization
par: Lin, Shijie, et autres
Publié: (2024)
par: Lin, Shijie, et autres
Publié: (2024)
Self-DACE++: Robust Low-Light Enhancement via Efficient Adaptive Curve Estimation
par: Wen, Jianyu, et autres
Publié: (2026)
par: Wen, Jianyu, et autres
Publié: (2026)
A DICOM Image De-identification Algorithm in the MIDI-B Challenge
par: Jiang, Hongzhu, et autres
Publié: (2025)
par: Jiang, Hongzhu, et autres
Publié: (2025)
Omni IIE Bench: Benchmarking the Practical Capabilities of Image Editing Models
par: Yang, Yujia, et autres
Publié: (2026)
par: Yang, Yujia, et autres
Publié: (2026)
VoxelNextFusion: A Simple, Unified and Effective Voxel Fusion Framework for Multi-Modal 3D Object Detection
par: Song, Ziying, et autres
Publié: (2024)
par: Song, Ziying, et autres
Publié: (2024)
Video-in-the-Loop: Span-Grounded Long Video QA with Interleaved Reasoning
par: Wang, Chendong, et autres
Publié: (2025)
par: Wang, Chendong, et autres
Publié: (2025)
Adaptive Dense Evidence Refinement for Video Relational Reasoning for VRR-QA Challenge
par: Sun, Yuyang, et autres
Publié: (2026)
par: Sun, Yuyang, et autres
Publié: (2026)
DocVideoQA: Towards Comprehensive Understanding of Document-Centric Videos through Question Answering
par: Wang, Haochen, et autres
Publié: (2025)
par: Wang, Haochen, et autres
Publié: (2025)
Beyond Isolated Facts: Synthesizing Narrative and Grounded Supervision for VideoQA
par: Liang, Jianxin, et autres
Publié: (2025)
par: Liang, Jianxin, et autres
Publié: (2025)
DriveDreamer-2: LLM-Enhanced World Models for Diverse Driving Video Generation
par: Zhao, Guosheng, et autres
Publié: (2024)
par: Zhao, Guosheng, et autres
Publié: (2024)
ReasVQA: Advancing VideoQA with Imperfect Reasoning Process
par: Liang, Jianxin, et autres
Publié: (2025)
par: Liang, Jianxin, et autres
Publié: (2025)
StereoDiff: Stereo-Diffusion Synergy for Video Depth Estimation
par: Li, Haodong, et autres
Publié: (2025)
par: Li, Haodong, et autres
Publié: (2025)
Documents similaires
-
Four Eyes Are Better Than Two: Harnessing the Collaborative Potential of Large Models via Differentiated Thinking and Complementary Ensembles
par: Xie, Jun, et autres
Publié: (2025) -
More Is Better: A MoE-Based Emotion Recognition Framework with Human Preference Alignment
par: Xie, Jun, et autres
Publié: (2025) -
Multimodal Video Emotion Recognition with Reliable Reasoning Priors
par: Wang, Zhepeng, et autres
Publié: (2025) -
Cross-Modal Registration Between 3D and 2D Fingerprints via Pose-Aware Unwrapping and Point-Cloud Fusion
par: Guan, Xiongjun, et autres
Publié: (2026) -
Pose-Specific 3D Fingerprint Unfolding
par: Guan, Xiongjun, et autres
Publié: (2024)