:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Baiqi, Zhao, Kangyi, Zhang, Ce, Mitra, Chancharik, Nyandwi, Jean de Dieu, Bertasius, Gedas
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence
Online-Zugang:	https://arxiv.org/abs/2602.00288
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

BASKET: A Large-Scale Video Dataset for Fine-Grained Skill Estimation
von: Pan, Yulu, et al.
Veröffentlicht: (2025)

BOSS: Benchmark for Observation Space Shift in Long-Horizon Task
von: Yang, Yue, et al.
Veröffentlicht: (2025)

EgoMemReason: A Memory-Driven Reasoning Benchmark for Long-Horizon Egocentric Video Understanding
von: Wang, Ziyang, et al.
Veröffentlicht: (2026)

TimeRefine: Temporal Grounding with Time Refining Video LLM
von: Wang, Xizi, et al.
Veröffentlicht: (2024)

SiLVR: A Simple Language-based Video Reasoning Framework
von: Zhang, Ce, et al.
Veröffentlicht: (2025)

Video-RTS: Rethinking Reinforcement Learning and Test-Time Scaling for Efficient and Enhanced Video Reasoning
von: Wang, Ziyang, et al.
Veröffentlicht: (2025)

TeDiO: Temporal Diagonal Optimization for Training-Free Coherent Video Diffusion
von: Tursynbek, Nurislam, et al.
Veröffentlicht: (2026)

V2M-Zero: Zero-Pair Time-Aligned Video-to-Music Generation
von: Lin, Yan-Bo, et al.
Veröffentlicht: (2026)

VideoTree: Adaptive Tree-based Video Representation for LLM Reasoning on Long Videos
von: Wang, Ziyang, et al.
Veröffentlicht: (2024)

Compositional Chain-of-Thought Prompting for Large Multimodal Models
von: Mitra, Chancharik, et al.
Veröffentlicht: (2023)

RGNet: A Unified Clip Retrieval and Grounding Network for Long Videos
von: Hannan, Tanveer, et al.
Veröffentlicht: (2023)

A Simple LLM Framework for Long-Range Video Question-Answering
von: Zhang, Ce, et al.
Veröffentlicht: (2023)

ReVisionLLM: Recursive Vision-Language Model for Temporal Grounding in Hour-Long Videos
von: Hannan, Tanveer, et al.
Veröffentlicht: (2024)

Siamese Vision Transformers are Scalable Audio-visual Learners
von: Lin, Yan-Bo, et al.
Veröffentlicht: (2024)

ExAct: A Video-Language Benchmark for Expert Action Analysis
von: Yi, Han, et al.
Veröffentlicht: (2025)

DAM: Dynamic Adapter Merging for Continual Video QA Learning
von: Cheng, Feng, et al.
Veröffentlicht: (2024)

BIMBA: Selective-Scan Compression for Long-Range Video Question Answering
von: Islam, Md Mohaiminul, et al.
Veröffentlicht: (2025)

LoCoNet: Long-Short Context Network for Active Speaker Detection
von: Wang, Xizi, et al.
Veröffentlicht: (2023)

Propose, Assess, Search: Harnessing LLMs for Goal-Oriented Planning in Instructional Videos
von: Islam, Md Mohaiminul, et al.
Veröffentlicht: (2024)

Video ReCap: Recursive Captioning of Hour-Long Videos
von: Islam, Md Mohaiminul, et al.
Veröffentlicht: (2024)

LiLo-VLA: Compositional Long-Horizon Manipulation via Linked Object-Centric Policies
von: Yang, Yue, et al.
Veröffentlicht: (2026)

NaturalBench: Evaluating Vision-Language Models on Natural Adversarial Samples
von: Li, Baiqi, et al.
Veröffentlicht: (2024)

Enhancing Visual Planning with Auxiliary Tasks and Multi-token Prediction
von: Zhang, Ce, et al.
Veröffentlicht: (2025)

VMAS: Video-to-Music Generation via Semantic Alignment in Web Music Videos
von: Lin, Yan-Bo, et al.
Veröffentlicht: (2024)

SVI-Bench: A Dynamic Microworld for Strategic Video Intelligence
von: Pan, Yulu, et al.
Veröffentlicht: (2026)

Multi-Granular Spatio-Temporal Token Merging for Training-Free Acceleration of Video LLMs
von: Hyun, Jeongseok, et al.
Veröffentlicht: (2025)

V-STaR: Benchmarking Video-LLMs on Video Spatio-Temporal Reasoning
von: Cheng, Zixu, et al.
Veröffentlicht: (2025)

ReBot: Scaling Robot Learning with Real-to-Sim-to-Real Robotic Video Synthesis
von: Fang, Yu, et al.
Veröffentlicht: (2025)

ReAgent-V: A Reward-Driven Multi-Agent Framework for Video Understanding
von: Zhou, Yiyang, et al.
Veröffentlicht: (2025)

VGenST-Bench: A Benchmark for Spatio-Temporal Reasoning via Active Video Synthesis
von: Park, Jinho, et al.
Veröffentlicht: (2026)

Which One? Leveraging Context Between Objects and Multiple Views for Language Grounding
von: Mitra, Chancharik, et al.
Veröffentlicht: (2023)

STAA: Spatio-Temporal Attention Attribution for Real-Time Interpreting Transformer-based Video Models
von: Wang, Zerui, et al.
Veröffentlicht: (2024)

Multimodal Task Vectors Enable Many-Shot Multimodal In-Context Learning
von: Huang, Brandon, et al.
Veröffentlicht: (2024)

DropletVideo: A Dataset and Approach to Explore Integral Spatio-Temporal Consistent Video Generation
von: Zhang, Runze, et al.
Veröffentlicht: (2025)

Mementos: A Comprehensive Benchmark for Multimodal Large Language Model Reasoning over Image Sequences
von: Wang, Xiyao, et al.
Veröffentlicht: (2024)

TC-Bench: Benchmarking Temporal Compositionality in Text-to-Video and Image-to-Video Generation
von: Feng, Weixi, et al.
Veröffentlicht: (2024)

Weakly Supervised Video Anomaly Detection and Localization with Spatio-Temporal Prompts
von: Wu, Peng, et al.
Veröffentlicht: (2024)

VideoStir: Understanding Long Videos via Spatio-Temporally Structured and Intent-Aware RAG
von: Fu, Honghao, et al.
Veröffentlicht: (2026)

VISTA: Video Interaction Spatio-Temporal Analysis Benchmark
von: Aparcedo, Alejandro, et al.
Veröffentlicht: (2026)

Agentic Spatio-Temporal Grounding via Collaborative Reasoning
von: Zhao, Heng, et al.
Veröffentlicht: (2026)