Buchumschlag

VIRST: Video-Instructed Reasoning Assistant for SpatioTemporal Segmentation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Hong, Jihwan, Do, Jaeyoung
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

3rd Place of MeViS-Audio Track of the 5th PVUW: VIRST-Audio
von: Hong, Jihwan, et al.
Veröffentlicht: (2026)

SpatioTemporal Difference Network for Video Depth Super-Resolution
von: Wang, Zhengxue, et al.
Veröffentlicht: (2025)

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

ST-$π$: Structured SpatioTemporal VLA for Robotic Manipulation
von: Ma, Chuanhao, et al.
Veröffentlicht: (2026)

STR-Match: Matching SpatioTemporal Relevance Score for Training-Free Video Editing
von: Lee, Junsung, et al.
Veröffentlicht: (2025)

Remote Sensing SpatioTemporal Vision-Language Models: A Comprehensive Survey
von: Liu, Chenyang, et al.
Veröffentlicht: (2024)

Does SpatioTemporal information benefit Two video summarization benchmarks?
von: Ganesh, Aashutosh, et al.
Veröffentlicht: (2024)

3DGS-Calib: 3D Gaussian Splatting for Multimodal SpatioTemporal Calibration
von: Herau, Quentin, et al.
Veröffentlicht: (2024)

LLaVA-4D: Embedding SpatioTemporal Prompt into LMMs for 4D Scene Understanding
von: Zhou, Hanyu, et al.
Veröffentlicht: (2025)

ST-Booster: An Iterative SpatioTemporal Perception Booster for Vision-and-Language Navigation in Continuous Environments
von: Yue, Lu, et al.
Veröffentlicht: (2025)

LITA: Language Instructed Temporal-Localization Assistant
von: Huang, De-An, et al.
Veröffentlicht: (2024)

4D-VGGT: A General Foundation Model with SpatioTemporal Awareness for Dynamic Scene Geometry Estimation
von: Wang, Haonan, et al.
Veröffentlicht: (2025)

Uni4D-LLM: A Unified SpatioTemporal-Aware VLM for 4D Understanding and Generation
von: Zhou, Hanyu, et al.
Veröffentlicht: (2025)

Towards Gradient-based Time-Series Explanations through a SpatioTemporal Attention Network
von: Lee, Min Hun
Veröffentlicht: (2024)

STD-GS: Exploring Frame-Event Interaction for SpatioTemporal-Disentangled Gaussian Splatting to Reconstruct High-Dynamic Scene
von: Zhou, Hanyu, et al.
Veröffentlicht: (2025)

VLA-4D: Embedding 4D Awareness into Vision-Language-Action Models for SpatioTemporally Coherent Robotic Manipulation
von: Zhou, Hanyu, et al.
Veröffentlicht: (2025)

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

Spatio-Temporal Attention for Consistent Video Semantic Segmentation in Automated Driving
von: Varghese, Serin, et al.
Veröffentlicht: (2026)

MI-CXR: A Benchmark for Longitudinal Reasoning over Multi-Interval Chest X-rays
von: Cho, Sunghwan Steve, et al.
Veröffentlicht: (2026)

Exploring and Leveraging Class Vectors for Classifier Editing
von: Kim, Jaeik, et al.
Veröffentlicht: (2025)

One Token to Seg Them All: Language Instructed Reasoning Segmentation in Videos
von: Bai, Zechen, et al.
Veröffentlicht: (2024)

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

VideoITG: Multimodal Video Understanding with Instructed Temporal Grounding
von: Wang, Shihao, et al.
Veröffentlicht: (2025)

Training-Free Spatio-temporal Decoupled Reasoning Video Segmentation with Adaptive Object Memory
von: Zhu, Zhengtong, et al.
Veröffentlicht: (2026)

Neural-Symbolic VideoQA: Learning Compositional Spatio-Temporal Reasoning for Real-world Video Question Answering
von: Liang, Lili, et al.
Veröffentlicht: (2024)

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

Cluster-Wise Spatio-Temporal Masking for Efficient Video-Language Pretraining
von: Zhuang, Weijun, et al.
Veröffentlicht: (2026)

Temporally-Constrained Video Reasoning Segmentation and Automated Benchmark Construction
von: Shen, Yiqing, et al.
Veröffentlicht: (2025)

STIED: A deep learning model for the SpatioTemporal detection of focal Interictal Epileptiform Discharges with MEG
von: Fernández-Martín, Raquel, et al.
Veröffentlicht: (2024)

NCSTR: Node-Centric Decoupled Spatio-Temporal Reasoning for Video-based Human Pose Estimation
von: Huynh, Quang Dang, et al.
Veröffentlicht: (2026)

InstructPart: Task-Oriented Part Segmentation with Instruction Reasoning
von: Wan, Zifu, et al.
Veröffentlicht: (2025)

Towards Long-Form Spatio-Temporal Video Grounding
von: Gu, Xin, et al.
Veröffentlicht: (2026)

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

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

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

InstructSeg: Unifying Instructed Visual Segmentation with Multi-modal Large Language Models
von: Wei, Cong, et al.
Veröffentlicht: (2024)

R-AVST: Empowering Video-LLMs with Fine-Grained Spatio-Temporal Reasoning in Complex Audio-Visual Scenarios
von: Zhu, Lu, et al.
Veröffentlicht: (2025)

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

EgoThinker: Unveiling Egocentric Reasoning with Spatio-Temporal CoT
von: Pei, Baoqi, et al.
Veröffentlicht: (2025)

VideoMamba: Spatio-Temporal Selective State Space Model
von: Park, Jinyoung, et al.
Veröffentlicht: (2024)