Buchumschlag

HiMu: Hierarchical Multimodal Frame Selection for Long Video Question Answering

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ben-Ami, Dan, Serussi, Gabriele, Cohen, Kobi, Baskin, Chaim
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

HERBench: A Benchmark for Multi-Evidence Integration in Video Question Answering
von: Ben-Ami, Dan, et al.
Veröffentlicht: (2025)

PREGEN: Uncovering Latent Thoughts in Composed Video Retrieval
von: Serussi, Gabriele, et al.
Veröffentlicht: (2026)

Enhancing Long Video Question Answering with Scene-Localized Frame Grouping
von: Yang, Xuyi, et al.
Veröffentlicht: (2025)

MuKV: Multi-Grained KV Cache Compression for Long Streaming Video Question-Answering
von: Xiao, Junbin, et al.
Veröffentlicht: (2026)

CRAFT: Critic-Refined Adaptive Key-Frame Targeting for Multimodal Video Question Answering
von: Bhosale, Mahesh, et al.
Veröffentlicht: (2026)

Structured Diffusion Bridges: Inductive Bias for Denoising Diffusion Bridges
von: Kosman, Eitan, et al.
Veröffentlicht: (2026)

Learning Question-Aware Keyframe Selection with Synthetic Supervision for Video Question Answering
von: Kwon, Minchan, et al.
Veröffentlicht: (2026)

Semantic Event Graphs for Long-Form Video Question Answering
von: Dixit, Aradhya, et al.
Veröffentlicht: (2026)

Encoding and Controlling Global Semantics for Long-form Video Question Answering
von: Nguyen, Thong Thanh, et al.
Veröffentlicht: (2024)

FRAG: Frame Selection Augmented Generation for Long Video and Long Document Understanding
von: Huang, De-An, et al.
Veröffentlicht: (2025)

Robot Instance Segmentation with Few Annotations for Grasping
von: Kimhi, Moshe, et al.
Veröffentlicht: (2024)

Foundation Models and Adaptive Feature Selection: A Synergistic Approach to Video Question Answering
von: Rongali, Sai Bhargav, et al.
Veröffentlicht: (2024)

FIQ: Fundamental Question Generation with the Integration of Question Embeddings for Video Question Answering
von: Oh, Ju-Young, et al.
Veröffentlicht: (2025)

QEVA: A Reference-Free Evaluation Metric for Narrative Video Summarization with Multimodal Question Answering
von: Jung, Woojun, et al.
Veröffentlicht: (2026)

WAVECLIP: Wavelet Tokenization for Adaptive-Resolution CLIP
von: Kimhi, Moshe, et al.
Veröffentlicht: (2025)

Question-Answering Dense Video Events
von: Qin, Hangyu, et al.
Veröffentlicht: (2024)

Multi-Frame, Lightweight & Efficient Vision-Language Models for Question Answering in Autonomous Driving
von: Gopalkrishnan, Akshay, et al.
Veröffentlicht: (2024)

EgoCross: Benchmarking Multimodal Large Language Models for Cross-Domain Egocentric Video Question Answering
von: Li, Yanjun, et al.
Veröffentlicht: (2025)

Adaptive Greedy Frame Selection for Long Video Understanding
von: Huang, Yuning, et al.
Veröffentlicht: (2026)

Hierarchical Modeling for Medical Visual Question Answering with Cross-Attention Fusion
von: Zhang, Junkai, et al.
Veröffentlicht: (2025)

Pyramid Coder: Hierarchical Code Generator for Compositional Visual Question Answering
von: Shen, Ruoyue, et al.
Veröffentlicht: (2024)

Multi-granularity Contrastive Cross-modal Collaborative Generation for End-to-End Long-term Video Question Answering
von: Yu, Ting, et al.
Veröffentlicht: (2024)

Commonsense Video Question Answering through Video-Grounded Entailment Tree Reasoning
von: Liu, Huabin, et al.
Veröffentlicht: (2025)

CARES: Context-Aware Resolution Selector for VLMs
von: Kimhi, Moshe, et al.
Veröffentlicht: (2025)

Explicit Abstention Knobs for Predictable Reliability in Video Question Answering
von: Ortiz, Jorge
Veröffentlicht: (2025)

Uncertainty-Guided Self-Questioning and Answering for Video-Language Alignment
von: Chen, Jin, et al.
Veröffentlicht: (2024)

CogStream: Context-guided Streaming Video Question Answering
von: Zhao, Zicheng, et al.
Veröffentlicht: (2025)

VQA$^2$: Visual Question Answering for Video Quality Assessment
von: Jia, Ziheng, et al.
Veröffentlicht: (2024)

Variational Visual Question Answering for Uncertainty-Aware Selective Prediction
von: Wieczorek, Tobias Jan, et al.
Veröffentlicht: (2025)

Dynamic Clue Bottlenecks: Towards Interpretable-by-Design Visual Question Answering
von: Fu, Xingyu, et al.
Veröffentlicht: (2023)

Hierarchical Question-Answering for Driving Scene Understanding Using Vision-Language Models
von: Mohamud, Safaa Abdullahi Moallim, et al.
Veröffentlicht: (2025)

PipeFlow: Pipelined Processing and Motion-Aware Frame Selection for Long-Form Video Editing
von: Munir, Mustafa, et al.
Veröffentlicht: (2025)

Advancing Egocentric Video Question Answering with Multimodal Large Language Models
von: Patel, Alkesh, et al.
Veröffentlicht: (2025)

Progressive Multimodal Search and Reasoning for Knowledge-Intensive Visual Question Answering
von: Choi, Changin, et al.
Veröffentlicht: (2025)

Weakly Supervised Gaussian Contrastive Grounding with Large Multimodal Models for Video Question Answering
von: Wang, Haibo, et al.
Veröffentlicht: (2024)

VOILA: Value-of-Information Guided Fidelity Selection for Cost-Aware Multimodal Question Answering
von: Bhope, Rahul Atul, et al.
Veröffentlicht: (2026)

Ego-Grounding for Personalized Question-Answering in Egocentric Videos
von: Xiao, Junbin, et al.
Veröffentlicht: (2026)

HiTVideo: Hierarchical Tokenizers for Enhancing Text-to-Video Generation with Autoregressive Large Language Models
von: Zhou, Ziqin, et al.
Veröffentlicht: (2025)

M-LLM Based Video Frame Selection for Efficient Video Understanding
von: Hu, Kai, et al.
Veröffentlicht: (2025)

InfoChartQA: A Benchmark for Multimodal Question Answering on Infographic Charts
von: Xie, Tianchi, et al.
Veröffentlicht: (2025)