Buchumschlag

Towards Sparse Video Understanding and Reasoning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Xu, Chenwei, Ye, Zhen, Wu, Shang, Li, Weijian, Wang, Zihan, Xia, Zhuofan, Lu, Lie, Maneriker, Pranav, Du, Fan, Li, Manling, Liu, Han
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computer Vision and Pattern Recognition Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

PhyPrompt: RL-based Prompt Refinement for Physically Plausible Text-to-Video Generation
von: Wu, Shang, et al.
Veröffentlicht: (2026)

Phys4D: Fine-Grained Physics-Consistent 4D Modeling from Video Diffusion
von: Lu, Haoran, et al.
Veröffentlicht: (2026)

T*: Re-thinking Temporal Search for Long-Form Video Understanding
von: Ye, Jinhui, et al.
Veröffentlicht: (2025)

DPAR: Dynamic Patchification for Efficient Autoregressive Visual Generation
von: Srivastava, Divyansh, et al.
Veröffentlicht: (2025)

A Simple "Try Again" Can Elicit Multi-Turn LLM Reasoning
von: Liu, Licheng, et al.
Veröffentlicht: (2025)

EMCompress: Video-LLMs with Endomorphic Multimodal Compression
von: Fan, Zheyu, et al.
Veröffentlicht: (2025)

MetaphorVU: Towards Metaphorical Video Understanding
von: Li, Zhuoqun, et al.
Veröffentlicht: (2026)

Beyond Raw Videos: Understanding Edited Videos with Large Multimodal Model
von: Xu, Lu, et al.
Veröffentlicht: (2024)

HourVideo: 1-Hour Video-Language Understanding
von: Chandrasegaran, Keshigeyan, et al.
Veröffentlicht: (2024)

VideoAgent: A Memory-augmented Multimodal Agent for Video Understanding
von: Fan, Yue, et al.
Veröffentlicht: (2024)

EA-RAS: Towards Efficient and Accurate End-to-End Reconstruction of Anatomical Skeleton
von: Peng, Zhiheng, et al.
Veröffentlicht: (2024)

VideoPro: Adaptive Program Reasoning for Long Video Understanding
von: Li, Chenglin, et al.
Veröffentlicht: (2025)

ZeroDiff++: Substantial Unseen Visual-semantic Correlation in Zero-shot Learning
von: Ye, Zihan, et al.
Veröffentlicht: (2026)

VideoTIR: Accurate Understanding for Long Videos with Efficient Tool-Integrated Reasoning
von: Gao, Zhe, et al.
Veröffentlicht: (2026)

Towards Event-oriented Long Video Understanding
von: Du, Yifan, et al.
Veröffentlicht: (2024)

VEU-Bench: Towards Comprehensive Understanding of Video Editing
von: Li, Bozheng, et al.
Veröffentlicht: (2025)

MovieChat: From Dense Token to Sparse Memory for Long Video Understanding
von: Song, Enxin, et al.
Veröffentlicht: (2023)

Towards Omnidirectional Reasoning with 360-R1: A Dataset, Benchmark, and GRPO-based Method
von: Zhang, Xinshen, et al.
Veröffentlicht: (2025)

REVISOR: Beyond Textual Reflection, Towards Multimodal Introspective Reasoning in Long-Form Video Understanding
von: Li, Jiaze, et al.
Veröffentlicht: (2025)

DreamAvoid: Critical-Phase Test-Time Dreaming to Avoid Failures in VLA Policies
von: Fan, Xianzhe, et al.
Veröffentlicht: (2026)

Sparse-to-Dense: A Free Lunch for Lossless Acceleration of Video Understanding in LLMs
von: Zhang, Xuan, et al.
Veröffentlicht: (2025)

Sparse VideoGen2: Accelerate Video Generation with Sparse Attention via Semantic-Aware Permutation
von: Yang, Shuo, et al.
Veröffentlicht: (2025)

TinyLLaVA-Video: Towards Smaller LMMs for Video Understanding with Group Resampler
von: Zhang, Xingjian, et al.
Veröffentlicht: (2025)

MedHorizon: Towards Long-context Medical Video Understanding in the Wild
von: Du, Bodong, et al.
Veröffentlicht: (2026)

AdsQA: Towards Advertisement Video Understanding
von: Long, Xinwei, et al.
Veröffentlicht: (2025)

SemGS: Feed-Forward Semantic 3D Gaussian Splatting from Sparse Views for Generalizable Scene Understanding
von: Ye, Sheng, et al.
Veröffentlicht: (2026)

SparseOccVLA: Bridging Occupancy and Vision-Language Models via Sparse Queries for Unified 4D Scene Understanding and Planning
von: Dang, Chenxu, et al.
Veröffentlicht: (2026)

Towards Video Thinking Test: A Holistic Benchmark for Advanced Video Reasoning and Understanding
von: Zhang, Yuanhan, et al.
Veröffentlicht: (2025)

VideoNSA: Native Sparse Attention Scales Video Understanding
von: Song, Enxin, et al.
Veröffentlicht: (2025)

VT-LVLM-AR: A Video-Temporal Large Vision-Language Model Adapter for Fine-Grained Action Recognition in Long-Term Videos
von: Li, Kaining, et al.
Veröffentlicht: (2025)

InstrAct: Towards Action-Centric Understanding in Instructional Videos
von: Yang, Zhuoyi, et al.
Veröffentlicht: (2026)

Towards Universal Soccer Video Understanding
von: Rao, Jiayuan, et al.
Veröffentlicht: (2024)

STanHop: Sparse Tandem Hopfield Model for Memory-Enhanced Time Series Prediction
von: Wu, Dennis, et al.
Veröffentlicht: (2023)

E.T. Bench: Towards Open-Ended Event-Level Video-Language Understanding
von: Liu, Ye, et al.
Veröffentlicht: (2024)

SpatioTemporal Learning for Human Pose Estimation in Sparsely-Labeled Videos
von: Jiao, Yingying, et al.
Veröffentlicht: (2025)

TempCompass: Do Video LLMs Really Understand Videos?
von: Liu, Yuanxin, et al.
Veröffentlicht: (2024)

PSA: Pyramid Sparse Attention for Efficient Video Understanding and Generation
von: Li, Xiaolong, et al.
Veröffentlicht: (2025)

Sparse VideoGen: Accelerating Video Diffusion Transformers with Spatial-Temporal Sparsity
von: Xi, Haocheng, et al.
Veröffentlicht: (2025)

ChartSketcher: Reasoning with Multimodal Feedback and Reflection for Chart Understanding
von: Huang, Muye, et al.
Veröffentlicht: (2025)

RULER-Bench: Probing Rule-based Reasoning Abilities of Next-level Video Generation Models for Vision Foundation Intelligence
von: He, Xuming, et al.
Veröffentlicht: (2025)