Zoom-Zero: Reinforced Coarse-to-Fine Video Understanding via Temporal Zoom-in
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Shen, Xiaoqian, Chen, Min-Hung, Wang, Yu-Chiang Frank, Elhoseiny, Mohamed, Hachiuma, Ryo |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Vgent: Graph-based Retrieval-Reasoning-Augmented Generation For Long Video Understanding
par: Shen, Xiaoqian, et autres
Publié: (2025)
par: Shen, Xiaoqian, et autres
Publié: (2025)
Iterative Zoom-In: Temporal Interval Exploration for Long Video Understanding
par: Li, Chenglin, et autres
Publié: (2025)
par: Li, Chenglin, et autres
Publié: (2025)
Zoom-Refine: Boosting High-Resolution Multimodal Understanding via Localized Zoom and Self-Refinement
par: Yu, Xuan, et autres
Publié: (2025)
par: Yu, Xuan, et autres
Publié: (2025)
Omni-RGPT: Unifying Image and Video Region-level Understanding via Token Marks
par: Heo, Miran, et autres
Publié: (2025)
par: Heo, Miran, et autres
Publié: (2025)
StoryGPT-V: Large Language Models as Consistent Story Visualizers
par: Shen, Xiaoqian, et autres
Publié: (2023)
par: Shen, Xiaoqian, et autres
Publié: (2023)
4D-RGPT: Toward Region-level 4D Understanding via Perceptual Distillation
par: Yang, Chiao-An, et autres
Publié: (2025)
par: Yang, Chiao-An, et autres
Publié: (2025)
ZoomSpec: A Physics-Guided Coarse-to-Fine Framework for Wideband Spectrum Sensing
par: Yang, Zhentao, et autres
Publié: (2026)
par: Yang, Zhentao, et autres
Publié: (2026)
Autoregressive Universal Video Segmentation Model
par: Heo, Miran, et autres
Publié: (2025)
par: Heo, Miran, et autres
Publié: (2025)
Masking Teacher and Reinforcing Student for Distilling Vision-Language Models
par: Lee, Byung-Kwan, et autres
Publié: (2025)
par: Lee, Byung-Kwan, et autres
Publié: (2025)
Just Zoom In: Cross-View Geo-Localization via Autoregressive Zooming
par: Erzurumlu, Yunus Talha, et autres
Publié: (2026)
par: Erzurumlu, Yunus Talha, et autres
Publié: (2026)
Zooming without Zooming: Region-to-Image Distillation for Fine-Grained Multimodal Perception
par: Wei, Lai, et autres
Publié: (2026)
par: Wei, Lai, et autres
Publié: (2026)
SANER: Annotation-free Societal Attribute Neutralizer for Debiasing CLIP
par: Hirota, Yusuke, et autres
Publié: (2024)
par: Hirota, Yusuke, et autres
Publié: (2024)
AttZoom: Attention Zoom for Better Visual Features
par: DeAlcala, Daniel, et autres
Publié: (2025)
par: DeAlcala, Daniel, et autres
Publié: (2025)
MiniGPT4-Video: Advancing Multimodal LLMs for Video Understanding with Interleaved Visual-Textual Tokens
par: Ataallah, Kirolos, et autres
Publié: (2024)
par: Ataallah, Kirolos, et autres
Publié: (2024)
TextCoT: Zoom In for Enhanced Multimodal Text-Rich Image Understanding
par: Luan, Bozhi, et autres
Publié: (2024)
par: Luan, Bozhi, et autres
Publié: (2024)
ZoomEye: Enhancing Multimodal LLMs with Human-Like Zooming Capabilities through Tree-Based Image Exploration
par: Shen, Haozhan, et autres
Publié: (2024)
par: Shen, Haozhan, et autres
Publié: (2024)
AdaZoom-GUI: Adaptive Zoom-based GUI Grounding with Instruction Refinement
par: Pei, Siqi, et autres
Publié: (2026)
par: Pei, Siqi, et autres
Publié: (2026)
Look, Zoom, Understand: The Robotic Eyeball for Embodied Perception
par: Yang, Jiashu, et autres
Publié: (2025)
par: Yang, Jiashu, et autres
Publié: (2025)
Unified Reinforcement and Imitation Learning for Vision-Language Models
par: Lee, Byung-Kwan, et autres
Publié: (2025)
par: Lee, Byung-Kwan, et autres
Publié: (2025)
GaussianZoom: Progressive Zoom-in Generative 3D Gaussian Splatting with Geometric and Semantic Guidance
par: Shi, Jiale, et autres
Publié: (2026)
par: Shi, Jiale, et autres
Publié: (2026)
LOVE-R1: Advancing Long Video Understanding with an Adaptive Zoom-in Mechanism via Multi-Step Reasoning
par: Fu, Shenghao, et autres
Publié: (2025)
par: Fu, Shenghao, et autres
Publié: (2025)
Dual-Camera Smooth Zoom on Mobile Phones
par: Wu, Renlong, et autres
Publié: (2024)
par: Wu, Renlong, et autres
Publié: (2024)
Zoom in, Click out: Unlocking and Evaluating the Potential of Zooming for GUI Grounding
par: Jiang, Zhiyuan, et autres
Publié: (2025)
par: Jiang, Zhiyuan, et autres
Publié: (2025)
Zooming into Comics: Region-Aware RL Improves Fine-Grained Comic Understanding in Vision-Language Models
par: Chen, Yule, et autres
Publié: (2025)
par: Chen, Yule, et autres
Publié: (2025)
V2V-LLM: Vehicle-to-Vehicle Cooperative Autonomous Driving with Multimodal Large Language Models
par: Chiu, Hsu-kuang, et autres
Publié: (2025)
par: Chiu, Hsu-kuang, et autres
Publié: (2025)
VIOLA: Towards Video In-Context Learning with Minimal Annotations
par: Fujii, Ryo, et autres
Publié: (2026)
par: Fujii, Ryo, et autres
Publié: (2026)
Goldfish: Vision-Language Understanding of Arbitrarily Long Videos
par: Ataallah, Kirolos, et autres
Publié: (2024)
par: Ataallah, Kirolos, et autres
Publié: (2024)
Weakly Semi-supervised Tool Detection in Minimally Invasive Surgery Videos
par: Fujii, Ryo, et autres
Publié: (2024)
par: Fujii, Ryo, et autres
Publié: (2024)
Temporal Zoom Networks: Distance Regression and Continuous Depth for Efficient Action Localization
par: Shihab, Ibne Farabi, et autres
Publié: (2025)
par: Shihab, Ibne Farabi, et autres
Publié: (2025)
PTZ-Calib: Robust Pan-Tilt-Zoom Camera Calibration
par: Guo, Jinhui, et autres
Publié: (2025)
par: Guo, Jinhui, et autres
Publié: (2025)
EMAG: Ego-motion Aware and Generalizable 2D Hand Forecasting from Egocentric Videos
par: Hatano, Masashi, et autres
Publié: (2024)
par: Hatano, Masashi, et autres
Publié: (2024)
Zoom and Shift are All You Need
par: Qin, Jiahao
Publié: (2024)
par: Qin, Jiahao
Publié: (2024)
Seeing the Unseen: Zooming in the Dark with Event Cameras
par: Kai, Dachun, et autres
Publié: (2026)
par: Kai, Dachun, et autres
Publié: (2026)
RealTraj: Towards Real-World Pedestrian Trajectory Forecasting
par: Fujii, Ryo, et autres
Publié: (2024)
par: Fujii, Ryo, et autres
Publié: (2024)
Human Preference-Aligned Concept Customization Benchmark via Decomposed Evaluation
par: Ishikawa, Reina, et autres
Publié: (2025)
par: Ishikawa, Reina, et autres
Publié: (2025)
Zooming from Context to Cue: Hierarchical Preference Optimization for Multi-Image MLLMs
par: Li, Xudong, et autres
Publié: (2025)
par: Li, Xudong, et autres
Publié: (2025)
Temporal Prompting Matters: Rethinking Referring Video Object Segmentation
par: Lin, Ci-Siang, et autres
Publié: (2025)
par: Lin, Ci-Siang, et autres
Publié: (2025)
Zooming In on Fakes: A Novel Dataset for Localized AI-Generated Image Detection with Forgery Amplification Approach
par: Cai, Lvpan, et autres
Publié: (2025)
par: Cai, Lvpan, et autres
Publié: (2025)
MedReason-R1: Learning to Reason for CT Diagnosis with Reinforcement Learning and Local Zoom
par: Li, Yifan, et autres
Publié: (2025)
par: Li, Yifan, et autres
Publié: (2025)
Zoom-IQA: Image Quality Assessment with Reliable Region-Aware Reasoning
par: Liang, Guoqiang, et autres
Publié: (2026)
par: Liang, Guoqiang, et autres
Publié: (2026)
Documents similaires
-
Vgent: Graph-based Retrieval-Reasoning-Augmented Generation For Long Video Understanding
par: Shen, Xiaoqian, et autres
Publié: (2025) -
Iterative Zoom-In: Temporal Interval Exploration for Long Video Understanding
par: Li, Chenglin, et autres
Publié: (2025) -
Zoom-Refine: Boosting High-Resolution Multimodal Understanding via Localized Zoom and Self-Refinement
par: Yu, Xuan, et autres
Publié: (2025) -
Omni-RGPT: Unifying Image and Video Region-level Understanding via Token Marks
par: Heo, Miran, et autres
Publié: (2025) -
StoryGPT-V: Large Language Models as Consistent Story Visualizers
par: Shen, Xiaoqian, et autres
Publié: (2023)