Buchumschlag

Towards Long-Form Spatio-Temporal Video Grounding

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Gu, Xin, Fan, Bing, Yao, Jiali, Zhang, Zhipeng, Huang, Yan, Han, Cheng, Fan, Heng, Zhang, Libo
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

OmniSTVG: Toward Spatio-Temporal Omni-Object Video Grounding
von: Yao, Jiali, et al.
Veröffentlicht: (2025)

Context-Guided Spatio-Temporal Video Grounding
von: Gu, Xin, et al.
Veröffentlicht: (2024)

Thinking With Bounding Boxes: Enhancing Spatio-Temporal Video Grounding via Reinforcement Fine-Tuning
von: Gu, Xin, et al.
Veröffentlicht: (2025)

Knowing Your Target: Target-Aware Transformer Makes Better Spatio-Temporal Video Grounding
von: Gu, Xin, et al.
Veröffentlicht: (2025)

High-Fidelity Image Inpainting with Multimodal Guided GAN Inversion
von: Zhang, Libo, et al.
Veröffentlicht: (2025)

Robust Ego-Exo Correspondence with Long-Term Memory
von: Hu, Yijun, et al.
Veröffentlicht: (2025)

Flow-Guided Diffusion for Video Inpainting
von: Gu, Bohai, et al.
Veröffentlicht: (2023)

DMTrack: Spatio-Temporal Multimodal Tracking via Dual-Adapter
von: Li, Weihong, et al.
Veröffentlicht: (2025)

Bridging Time and Space: Decoupled Spatio-Temporal Alignment for Video Grounding
von: Tu, Xuezhen, et al.
Veröffentlicht: (2026)

Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Grounding
von: Wasim, Syed Talal, et al.
Veröffentlicht: (2023)

Towards Temporal Compositional Reasoning in Long-Form Sports Videos
von: Cao, Siyu, et al.
Veröffentlicht: (2026)

Accurate and Fast Compressed Video Captioning
von: Shen, Yaojie, et al.
Veröffentlicht: (2023)

Video-Language Alignment via Spatio-Temporal Graph Transformer
von: Zhang, Shi-Xue, et al.
Veröffentlicht: (2024)

VideoMolmo: Spatio-Temporal Grounding Meets Pointing
von: Ahmad, Ghazi Shazan, et al.
Veröffentlicht: (2025)

TimeScope: Towards Task-Oriented Temporal Grounding In Long Videos
von: Liu, Xiangrui, et al.
Veröffentlicht: (2025)

Beyond MOT: Semantic Multi-Object Tracking
von: Li, Yunhao, et al.
Veröffentlicht: (2024)

SpaceVLLM: Endowing Multimodal Large Language Model with Spatio-Temporal Video Grounding Capability
von: Wang, Jiankang, et al.
Veröffentlicht: (2025)

Detector-Empowered Video Large Language Model for Efficient Spatio-Temporal Grounding
von: Gao, Shida, et al.
Veröffentlicht: (2025)

Edit3K: Universal Representation Learning for Video Editing Components
von: Gu, Xin, et al.
Veröffentlicht: (2024)

FiLA-Video: Spatio-Temporal Compression for Fine-Grained Long Video Understanding
von: Guo, Yanan, et al.
Veröffentlicht: (2025)

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

CGTrack: Cascade Gating Network with Hierarchical Feature Aggregation for UAV Tracking
von: Li, Weihong, et al.
Veröffentlicht: (2025)

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

CaST-Bench: Benchmarking Causal Chain-Grounded Spatio-Temporal Reasoning for Video Question Answering
von: Zhang, Mingfang, et al.
Veröffentlicht: (2026)

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

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

Towards Visual Query Segmentation in the Wild
von: Fan, Bing, et al.
Veröffentlicht: (2026)

Enhancing Video-Language Representations with Structural Spatio-Temporal Alignment
von: Fei, Hao, et al.
Veröffentlicht: (2024)

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

Unleashing the Potential of Multimodal LLMs for Zero-Shot Spatio-Temporal Video Grounding
von: Yang, Zaiquan, et al.
Veröffentlicht: (2025)

Contextual Self-paced Learning for Weakly Supervised Spatio-Temporal Video Grounding
von: Kumar, Akash, et al.
Veröffentlicht: (2025)

Know-Show: Benchmarking Video-Language Models on Spatio-Temporal Grounded Reasoning
von: Sugandhika, Chinthani, et al.
Veröffentlicht: (2025)

VastTrack: Vast Category Visual Object Tracking
von: Peng, Liang, et al.
Veröffentlicht: (2024)

TubeRMC: Tube-conditioned Reconstruction with Mutual Constraints for Weakly-supervised Spatio-Temporal Video Grounding
von: Li, Jinxuan, et al.
Veröffentlicht: (2025)

A Spatio-Temporal Attention-Based Method for Detecting Student Classroom Behaviors
von: Yang, Fan
Veröffentlicht: (2023)

Cyclic Refiner: Object-Aware Temporal Representation Learning for Multi-View 3D Detection and Tracking
von: Guo, Mingzhe, et al.
Veröffentlicht: (2024)

Leveraging Consistent Spatio-Temporal Correspondence for Robust Visual Odometry
von: Zhang, Zhaoxing, et al.
Veröffentlicht: (2024)

L-STEC: Learned Video Compression with Long-term Spatio-Temporal Enhanced Context
von: Zhang, Tiange, et al.
Veröffentlicht: (2025)

Spatio-Temporal Distortion Aware Omnidirectional Video Super-Resolution
von: An, Hongyu, et al.
Veröffentlicht: (2024)

STAF: 3D Human Mesh Recovery from Video with Spatio-Temporal Alignment Fusion
von: Yao, Wei, et al.
Veröffentlicht: (2024)