Copertina

TTA-Vid: Generalized Test-Time Adaptation for Video Reasoning

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Jahagirdar, Soumya Shamarao, Araujo, Edson, Kukleva, Anna, Mirza, M. Jehanzeb, Bhati, Saurabhchand, Thomas, Samuel, Kingsbury, Brian, Feris, Rogerio, Glass, James R., Kuehne, Hilde
Natura:	Preprint
Pubblicazione:	2026
Soggetti:	Computer Vision and Pattern Recognition
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

AVRT: Audio-Visual Reasoning Transfer through Single-Modality Teachers
di: Araujo, Edson, et al.
Pubblicazione: (2026)

Towards Audio Token Compression in Large Audio Language Models
di: Bhati, Saurabhchand, et al.
Pubblicazione: (2025)

Omni-R1: Do You Really Need Audio to Fine-Tune Your Audio LLM?
di: Rouditchenko, Andrew, et al.
Pubblicazione: (2025)

CAV-MAE Sync: Improving Contrastive Audio-Visual Mask Autoencoders via Fine-Grained Alignment
di: Araujo, Edson, et al.
Pubblicazione: (2025)

State-Space Large Audio Language Models
di: Bhati, Saurabhchand, et al.
Pubblicazione: (2024)

DASS: Distilled Audio State Space Models Are Stronger and More Duration-Scalable Learners
di: Bhati, Saurabhchand, et al.
Pubblicazione: (2024)

When LLaVA Meets Objects: Token Composition for Vision-Language-Models
di: Jahagirdar, Soumya, et al.
Pubblicazione: (2026)

CALM: Class-Conditional Sparse Attention Vectors for Large Audio-Language Models
di: Mehta, Videet, et al.
Pubblicazione: (2026)

mWhisper-Flamingo for Multilingual Audio-Visual Noise-Robust Speech Recognition
di: Rouditchenko, Andrew, et al.
Pubblicazione: (2025)

VisualOverload: Probing Visual Understanding of VLMs in Really Dense Scenes
di: Gavrikov, Paul, et al.
Pubblicazione: (2025)

Prompt2LVideos: Exploring Prompts for Understanding Long-Form Multimodal Videos
di: Jahagirdar, Soumya Shamarao, et al.
Pubblicazione: (2025)

TTRV: Test-Time Reinforcement Learning for Vision Language Models
di: Singh, Akshit, et al.
Pubblicazione: (2025)

VideoGEM: Training-free Action Grounding in Videos
di: Vogel, Felix, et al.
Pubblicazione: (2025)

Whisper-Flamingo: Integrating Visual Features into Whisper for Audio-Visual Speech Recognition and Translation
di: Rouditchenko, Andrew, et al.
Pubblicazione: (2024)

What, when, and where? -- Self-Supervised Spatio-Temporal Grounding in Untrimmed Multi-Action Videos from Narrated Instructions
di: Chen, Brian, et al.
Pubblicazione: (2023)

Recognizing Dementia from Neuropsychological Tests with State Space Models
di: Wang, Liming, et al.
Pubblicazione: (2025)

Teaching VLMs to Localize Specific Objects from In-context Examples
di: Doveh, Sivan, et al.
Pubblicazione: (2024)

HowToCaption: Prompting LLMs to Transform Video Annotations at Scale
di: Shvetsova, Nina, et al.
Pubblicazione: (2023)

PRISMM-Bench: A Benchmark of Peer-Review Grounded Multimodal Inconsistencies
di: Selch, Lukas, et al.
Pubblicazione: (2025)

MM-TS: Multi-Modal Temperature and Margin Schedules for Contrastive Learning with Long-Tail Data
di: Sheludzko, Siarhei, et al.
Pubblicazione: (2026)

USAD: Universal Speech and Audio Representation via Distillation
di: Chang, Heng-Jui, et al.
Pubblicazione: (2025)

ConMe: Rethinking Evaluation of Compositional Reasoning for Modern VLMs
di: Huang, Irene, et al.
Pubblicazione: (2024)

Instructify: Demystifying Metadata to Visual Instruction Tuning Data Conversion
di: Hansen, Jacob, et al.
Pubblicazione: (2025)

Comparison Visual Instruction Tuning
di: Lin, Wei, et al.
Pubblicazione: (2024)

Meta-Prompting for Automating Zero-shot Visual Recognition with LLMs
di: Mirza, M. Jehanzeb, et al.
Pubblicazione: (2024)

TimeLogic: A Temporal Logic Benchmark for Video QA
di: Swetha, Sirnam, et al.
Pubblicazione: (2025)

VOLD: Reasoning Transfer from LLMs to Vision-Language Models via On-Policy Distillation
di: Bousselham, Walid, et al.
Pubblicazione: (2025)

Probing the effectiveness of World Models for Spatial Reasoning through Test-time Scaling
di: Jha, Saurav, et al.
Pubblicazione: (2025)

REVEAL: Relation-based Video Representation Learning for Video-Question-Answering
di: Chaybouti, Sofian, et al.
Pubblicazione: (2025)

$\texttt{BATCLIP}$: Bimodal Online Test-Time Adaptation for CLIP
di: Maharana, Sarthak Kumar, et al.
Pubblicazione: (2024)

ProtoTTA: Prototype-Guided Test-Time Adaptation
di: Abootorabi, Mohammad Mahdi, et al.
Pubblicazione: (2026)

BoTTA: Benchmarking on-device Test Time Adaptation
di: Danilowski, Michal, et al.
Pubblicazione: (2025)

Towards Unsupervised Speech Recognition at the Syllable-Level
di: Wang, Liming, et al.
Pubblicazione: (2025)

GoTTA be Diverse: Rethinking Memory Policies for Test-Time Adaptation
di: Alhuwaider, Shyma, et al.
Pubblicazione: (2026)

VLOD-TTA: Test-Time Adaptation of Vision-Language Object Detectors
di: Belal, Atif, et al.
Pubblicazione: (2025)

ReservoirTTA: Prolonged Test-time Adaptation for Evolving and Recurring Domains
di: Vray, Guillaume, et al.
Pubblicazione: (2025)

AcTTA: Rethinking Test-Time Adaptation via Dynamic Activation
di: Kim, Hyeongyu, et al.
Pubblicazione: (2026)

SteeringTTA: Guiding Diffusion Trajectories for Robust Test-Time-Adaptation
di: Yu, Jihyun, et al.
Pubblicazione: (2025)

Unbiasing through Textual Descriptions: Mitigating Representation Bias in Video Benchmarks
di: Shvetsova, Nina, et al.
Pubblicazione: (2025)

Video-R4: Reinforcing Text-Rich Video Reasoning with Visual Rumination
di: Tang, Yolo Y., et al.
Pubblicazione: (2025)