QMAVIS: Long Video-Audio Understanding using Fusion of Large Multimodal Models
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Lin, Zixing, Wang, Jiale, Ng, Gee Wah, Mak, Lee Onn, Jeriel, Chan Zhi Yang, Lee, Jun Yang, Li, Yaohao |
|---|---|
| Format: | Preprint |
| Publié: |
2026
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
QCaption: Video Captioning and Q&A through Fusion of Large Multimodal Models
par: Wang, Jiale, et autres
Publié: (2026)
par: Wang, Jiale, et autres
Publié: (2026)
Multimodal LLM-based Query Paraphrasing for Video Search
par: Wu, Jiaxin, et autres
Publié: (2024)
par: Wu, Jiaxin, et autres
Publié: (2024)
Multimodal Semantic Communication for Generative Audio-Driven Video Conferencing
par: Tong, Haonan, et autres
Publié: (2024)
par: Tong, Haonan, et autres
Publié: (2024)
TAGF: Time-aware Gated Fusion for Multimodal Valence-Arousal Estimation
par: Lee, Yubeen, et autres
Publié: (2025)
par: Lee, Yubeen, et autres
Publié: (2025)
Semantically consistent Video-to-Audio Generation using Multimodal Language Large Model
par: Chen, Gehui, et autres
Publié: (2024)
par: Chen, Gehui, et autres
Publié: (2024)
MMED: A Multimodal Micro-Expression Dataset based on Audio-Visual Fusion
par: Wang, Junbo, et autres
Publié: (2025)
par: Wang, Junbo, et autres
Publié: (2025)
Robust Relevance Feedback for Interactive Known-Item Video Search
par: Ma, Zhixin, et autres
Publié: (2025)
par: Ma, Zhixin, et autres
Publié: (2025)
Towards Multimodal Emotional Support Conversation Systems
par: Chu, Yuqi, et autres
Publié: (2024)
par: Chu, Yuqi, et autres
Publié: (2024)
Audio-Visual Separation with Hierarchical Fusion and Representation Alignment
par: Hu, Han, et autres
Publié: (2025)
par: Hu, Han, et autres
Publié: (2025)
Audio Is the Achilles' Heel: Red Teaming Audio Large Multimodal Models
par: Yang, Hao, et autres
Publié: (2024)
par: Yang, Hao, et autres
Publié: (2024)
Divide and Conquer: Multimodal Video Deepfake Detection via Cross-Modal Fusion and Localization
par: Li, Qingcao, et autres
Publié: (2026)
par: Li, Qingcao, et autres
Publié: (2026)
Multimodal Class-aware Semantic Enhancement Network for Audio-Visual Video Parsing
par: Zhao, Pengcheng, et autres
Publié: (2024)
par: Zhao, Pengcheng, et autres
Publié: (2024)
Where to Focus: Query-Modulated Multimodal Keyframe Selection for Long Video Understanding
par: Wang, Shaoguang, et autres
Publié: (2026)
par: Wang, Shaoguang, et autres
Publié: (2026)
Exploring the Role of Audio in Multimodal Misinformation Detection
par: Liu, Moyang, et autres
Publié: (2024)
par: Liu, Moyang, et autres
Publié: (2024)
StyleSpeaker: Audio-Enhanced Fine-Grained Style Modeling for Speech-Driven 3D Facial Animation
par: Yang, An, et autres
Publié: (2025)
par: Yang, An, et autres
Publié: (2025)
LongInsightBench: A Comprehensive Benchmark for Evaluating Omni-Modal Models on Human-Centric Long-Video Understanding
par: Han, ZhaoYang, et autres
Publié: (2025)
par: Han, ZhaoYang, et autres
Publié: (2025)
Interpreting Multimodal Communication at Scale in Short-Form Video: Visual, Audio, and Textual Mental Health Discourse on TikTok
par: Zha, Mingyue, et autres
Publié: (2026)
par: Zha, Mingyue, et autres
Publié: (2026)
Augmenting Intra-Modal Understanding in MLLMs for Robust Multimodal Keyphrase Generation
par: Cao, Jiajun, et autres
Publié: (2025)
par: Cao, Jiajun, et autres
Publié: (2025)
Interpretable Embedding for Ad-hoc Video Search
par: Wu, Jiaxin, et autres
Publié: (2024)
par: Wu, Jiaxin, et autres
Publié: (2024)
MM-InstructEval: Zero-Shot Evaluation of (Multimodal) Large Language Models on Multimodal Reasoning Tasks
par: Yang, Xiaocui, et autres
Publié: (2024)
par: Yang, Xiaocui, et autres
Publié: (2024)
LoVA: Long-form Video-to-Audio Generation
par: Cheng, Xin, et autres
Publié: (2024)
par: Cheng, Xin, et autres
Publié: (2024)
ViFusion: In-Network Tensor Fusion for Scalable Video Feature Indexing
par: Wang, Yisu, et autres
Publié: (2025)
par: Wang, Yisu, et autres
Publié: (2025)
MCSC-Bench: Multimodal Context-to-Script Creation for Realistic Video Production
par: Hu, Huanran, et autres
Publié: (2026)
par: Hu, Huanran, et autres
Publié: (2026)
Delayed Commitment for Representation Readiness in Stage-wise Audio-Visual Learning
par: Xu, Xinmeng, et autres
Publié: (2026)
par: Xu, Xinmeng, et autres
Publié: (2026)
Structured Visual Narratives Undermine Safety Alignment in Multimodal Large Language Models
par: Tan, Rui Yang, et autres
Publié: (2026)
par: Tan, Rui Yang, et autres
Publié: (2026)
Towards Interactive Multimodal Representation of ML Functions for Human Understanding of ML
par: Wang, Bokang, et autres
Publié: (2026)
par: Wang, Bokang, et autres
Publié: (2026)
AVID: A Benchmark for Omni-Modal Audio-Visual Inconsistency Understanding via Agent-Driven Construction
par: Chen, Zixuan, et autres
Publié: (2026)
par: Chen, Zixuan, et autres
Publié: (2026)
Will It Go Viral? Grounding Micro-Video Popularity Prediction on the Open Web
par: Heo, Ryang, et autres
Publié: (2026)
par: Heo, Ryang, et autres
Publié: (2026)
HippoMM: Hippocampal-inspired Multimodal Memory for Long Audiovisual Event Understanding
par: Lin, Yueqian, et autres
Publié: (2025)
par: Lin, Yueqian, et autres
Publié: (2025)
Multimodal Classification and Out-of-distribution Detection for Multimodal Intent Understanding
par: Zhang, Hanlei, et autres
Publié: (2024)
par: Zhang, Hanlei, et autres
Publié: (2024)
MMBench-Video: A Long-Form Multi-Shot Benchmark for Holistic Video Understanding
par: Fang, Xinyu, et autres
Publié: (2024)
par: Fang, Xinyu, et autres
Publié: (2024)
MTAVG-Bench: A Diagnostic Benchmark for Multi-Talker Dialogue-Centric Audio-Video Generation
par: Zhou, Yang-Hao, et autres
Publié: (2026)
par: Zhou, Yang-Hao, et autres
Publié: (2026)
ArchGPT: Understanding the World's Architectures with Large Multimodal Models
par: Wang, Yuze, et autres
Publié: (2025)
par: Wang, Yuze, et autres
Publié: (2025)
PIAST: A Multimodal Piano Dataset with Audio, Symbolic and Text
par: Bang, Hayeon, et autres
Publié: (2024)
par: Bang, Hayeon, et autres
Publié: (2024)
Enhancing Video Music Recommendation with Transformer-Driven Audio-Visual Embeddings
par: Liu, Shimiao, et autres
Publié: (2025)
par: Liu, Shimiao, et autres
Publié: (2025)
A Survey on Multimodal Benchmarks: In the Era of Large AI Models
par: Li, Lin, et autres
Publié: (2024)
par: Li, Lin, et autres
Publié: (2024)
MIDI-LLaMA: An Instruction-Following Multimodal LLM for Symbolic Music Understanding
par: Yang, Meng, et autres
Publié: (2026)
par: Yang, Meng, et autres
Publié: (2026)
VideoCLIP-XL: Advancing Long Description Understanding for Video CLIP Models
par: Wang, Jiapeng, et autres
Publié: (2024)
par: Wang, Jiapeng, et autres
Publié: (2024)
Evaluating Multimodal Large Language Models on Spoken Sarcasm Understanding
par: Li, Zhu, et autres
Publié: (2025)
par: Li, Zhu, et autres
Publié: (2025)
Generative Frame Sampler for Long Video Understanding
par: Yao, Linli, et autres
Publié: (2025)
par: Yao, Linli, et autres
Publié: (2025)
Documents similaires
-
QCaption: Video Captioning and Q&A through Fusion of Large Multimodal Models
par: Wang, Jiale, et autres
Publié: (2026) -
Multimodal LLM-based Query Paraphrasing for Video Search
par: Wu, Jiaxin, et autres
Publié: (2024) -
Multimodal Semantic Communication for Generative Audio-Driven Video Conferencing
par: Tong, Haonan, et autres
Publié: (2024) -
TAGF: Time-aware Gated Fusion for Multimodal Valence-Arousal Estimation
par: Lee, Yubeen, et autres
Publié: (2025) -
Semantically consistent Video-to-Audio Generation using Multimodal Language Large Model
par: Chen, Gehui, et autres
Publié: (2024)