Buchumschlag

Video-in-the-Loop: Span-Grounded Long Video QA with Interleaved Reasoning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Chendong, Bai, Donglin, Yang, Yifan, Jin, Xiao, Zhang, Anlan, Wang, Rui, Jiang, Shiqi, Yang, Yuqing, Wu, Hao, Dai, Qi, Luo, Chong, Cao, Ting, Qiu, Lili, Banerjee, Suman
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

VoLUT: Efficient Volumetric streaming enhanced by LUT-based super-resolution
von: Wang, Chendong, et al.
Veröffentlicht: (2025)

AVA: Towards Agentic Video Analytics with Vision Language Models
von: Yan, Yuxuan, et al.
Veröffentlicht: (2025)

Babel: A Scalable Pre-trained Model for Multi-Modal Sensing via Expandable Modality Alignment
von: Dai, Shenghong, et al.
Veröffentlicht: (2024)

AVGen-Bench: A Task-Driven Benchmark for Multi-Granular Evaluation of Text-to-Audio-Video Generation
von: Zhou, Ziwei, et al.
Veröffentlicht: (2026)

StreamMind: Unlocking Full Frame Rate Streaming Video Dialogue through Event-Gated Cognition
von: Ding, Xin, et al.
Veröffentlicht: (2025)

ProRe: A Proactive Reward System for GUI Agents via Reasoner-Actor Collaboration
von: Dai, Gaole, et al.
Veröffentlicht: (2025)

Zoomer: Adaptive Image Focus Optimization for Black-box MLLM
von: Qian, Jiaxu, et al.
Veröffentlicht: (2025)

Making Every Frame Matter: Continuous Activity Recognition in Streaming Video via Adaptive Video Context Modeling
von: Wu, Hao, et al.
Veröffentlicht: (2024)

HiTVideo: Hierarchical Tokenizers for Enhancing Text-to-Video Generation with Autoregressive Large Language Models
von: Zhou, Ziqin, et al.
Veröffentlicht: (2025)

Neural-Symbolic VideoQA: Learning Compositional Spatio-Temporal Reasoning for Real-world Video Question Answering
von: Liang, Lili, et al.
Veröffentlicht: (2024)

Hierarchical Memory for Long Video QA
von: Wang, Yiqin, et al.
Veröffentlicht: (2024)

Video-o3: Native Interleaved Clue Seeking for Long Video Multi-Hop Reasoning
von: Zeng, Xiangyu, et al.
Veröffentlicht: (2026)

ReasonGen-R1: CoT for Autoregressive Image generation models through SFT and RL
von: Zhang, Yu, et al.
Veröffentlicht: (2025)

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

Think with Grounding: Curriculum Reinforced Reasoning with Video Grounding for Long Video Understanding
von: Chen, Houlun, et al.
Veröffentlicht: (2026)

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

Match Stereo Videos via Bidirectional Alignment
von: Jing, Junpeng, et al.
Veröffentlicht: (2024)

Advancing Mobile GUI Agents: A Verifier-Driven Approach to Practical Deployment
von: Dai, Gaole, et al.
Veröffentlicht: (2025)

WorldQA: Multimodal World Knowledge in Videos through Long-Chain Reasoning
von: Zhang, Yuanhan, et al.
Veröffentlicht: (2024)

CI-VID: A Coherent Interleaved Text-Video Dataset
von: Ju, Yiming, et al.
Veröffentlicht: (2025)

InterAct-Video: Reasoning-Rich Video QA for Urban Traffic
von: Vishal, Joseph Raj, et al.
Veröffentlicht: (2025)

VideoMathQA: Benchmarking Mathematical Reasoning via Multimodal Understanding in Videos
von: Rasheed, Hanoona, et al.
Veröffentlicht: (2025)

LongVideoBench: A Benchmark for Long-context Interleaved Video-Language Understanding
von: Wu, Haoning, et al.
Veröffentlicht: (2024)

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

ProactiveVideoQA: A Comprehensive Benchmark Evaluating Proactive Interactions in Video Large Language Models
von: Wang, Yueqian, et al.
Veröffentlicht: (2025)

FrameMind: Frame-Interleaved Video Reasoning via Reinforcement Learning
von: Ge, Haonan, et al.
Veröffentlicht: (2025)

Moment Sampling in Video LLMs for Long-Form Video QA
von: Chasmai, Mustafa, et al.
Veröffentlicht: (2025)

SpatialMem: Metric-Aligned Long-Horizon Video Memory for Language Grounding and QA
von: Zheng, Xinyi, et al.
Veröffentlicht: (2026)

Weaver: End-to-End Agentic System Training for Video Interleaved Reasoning
von: Shi, Yudi, et al.
Veröffentlicht: (2026)

YTCommentQA: Video Question Answerability in Instructional Videos
von: Yang, Saelyne, et al.
Veröffentlicht: (2024)

Multi-sentence Video Grounding for Long Video Generation
von: Feng, Wei, et al.
Veröffentlicht: (2024)

Motion-o: Trajectory-Grounded Video Reasoning
von: Galoaa, Bishoy, et al.
Veröffentlicht: (2026)

Bridging Modalities, Spanning Time: Structured Memory for Ultra-Long Agentic Video Reasoning
von: Li, Jiazheng, et al.
Veröffentlicht: (2026)

ReasVQA: Advancing VideoQA with Imperfect Reasoning Process
von: Liang, Jianxin, et al.
Veröffentlicht: (2025)

ENTER: Event Based Interpretable Reasoning for VideoQA
von: Ayyubi, Hammad, et al.
Veröffentlicht: (2025)

VideoZoomer: Reinforcement-Learned Temporal Focusing for Long Video Reasoning
von: Ding, Yang, et al.
Veröffentlicht: (2025)

REDUCIO! Generating 1K Video within 16 Seconds using Extremely Compressed Motion Latents
von: Tian, Rui, et al.
Veröffentlicht: (2024)

Adaptive Dense Evidence Refinement for Video Relational Reasoning for VRR-QA Challenge
von: Sun, Yuyang, et al.
Veröffentlicht: (2026)

StreamingCoT: A Dataset for Temporal Dynamics and Multimodal Chain-of-Thought Reasoning in Streaming VideoQA
von: Hu, Yuhang, et al.
Veröffentlicht: (2025)

SwinGS: Sliding Window Gaussian Splatting for Volumetric Video Streaming with Arbitrary Length
von: Liu, Bangya, et al.
Veröffentlicht: (2024)