Buchumschlag

VGenST-Bench: A Benchmark for Spatio-Temporal Reasoning via Active Video Synthesis

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Park, Jinho, Kim, Youbin, Park, Hogun, Park, Eunbyung
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

Group3D: MLLM-Driven Semantic Grouping for Open-Vocabulary 3D Object Detection
von: Kim, Youbin, et al.
Veröffentlicht: (2026)

Gather-Scatter Mamba: Accelerating Propagation with Efficient State Space Model
von: Ko, Hyun-kyu, et al.
Veröffentlicht: (2025)

MAMS: Model-Agnostic Module Selection Framework for Video Captioning
von: Lee, Sangho, et al.
Veröffentlicht: (2025)

JUDO: A Juxtaposed Domain-Oriented Multimodal Reasoner for Industrial Anomaly QA
von: Kang, Hyunju, et al.
Veröffentlicht: (2026)

Fine-Grained Pillar Feature Encoding Via Spatio-Temporal Virtual Grid for 3D Object Detection
von: Park, Konyul, et al.
Veröffentlicht: (2024)

CompMarkGS: Robust Watermarking for Compressed 3D Gaussian Splatting
von: In, Sumin, et al.
Veröffentlicht: (2025)

EditSplat: Multi-View Fusion and Attention-Guided Optimization for View-Consistent 3D Scene Editing with 3D Gaussian Splatting
von: Lee, Dong In, et al.
Veröffentlicht: (2024)

SToRM: Supervised Token Reduction for Multi-modal LLMs toward efficient end-to-end autonomous driving
von: Kim, Seo Hyun, et al.
Veröffentlicht: (2026)

ToG-Bench: Task-Oriented Spatio-Temporal Grounding in Egocentric Videos
von: Xu, Qi'ao, et al.
Veröffentlicht: (2025)

DreamMotion: Space-Time Self-Similar Score Distillation for Zero-Shot Video Editing
von: Jeong, Hyeonho, et al.
Veröffentlicht: (2024)

VLM-SubtleBench: How Far Are VLMs from Human-Level Subtle Comparative Reasoning?
von: Kim, Minkyu, et al.
Veröffentlicht: (2026)

Revisiting Reliability in the Reasoning-based Pose Estimation Benchmark
von: Kim, Junsu, et al.
Veröffentlicht: (2025)

TemporalBench: Benchmarking Fine-grained Temporal Understanding for Multimodal Video Models
von: Cai, Mu, et al.
Veröffentlicht: (2024)

DeepVideo-R1: Video Reinforcement Fine-Tuning via Difficulty-aware Regressive GRPO
von: Park, Jinyoung, et al.
Veröffentlicht: (2025)

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

TimeBlind: A Spatio-Temporal Compositionality Benchmark for Video LLMs
von: Li, Baiqi, et al.
Veröffentlicht: (2026)

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

V.I.P. : Iterative Online Preference Distillation for Efficient Video Diffusion Models
von: Kim, Jisoo, et al.
Veröffentlicht: (2025)

Task-Agnostic Noisy Label Detection via Standardized Loss Aggregation
von: Park, Inhyuk, et al.
Veröffentlicht: (2026)

See and Fix the Flaws: Enabling VLMs and Diffusion Models to Comprehend Visual Artifacts via Agentic Data Synthesis
von: Park, Jaehyun, et al.
Veröffentlicht: (2026)

Leveraging Textual Compositional Reasoning for Robust Change Captioning
von: Park, Kyu Ri, et al.
Veröffentlicht: (2025)

Benchmarking Scientific Understanding and Reasoning for Video Generation using VideoScience-Bench
von: Hu, Lanxiang, et al.
Veröffentlicht: (2025)

SciVideoBench: Benchmarking Scientific Video Reasoning in Large Multimodal Models
von: Deng, Andong, et al.
Veröffentlicht: (2025)

REPrune: Channel Pruning via Kernel Representative Selection
von: Park, Mincheol, et al.
Veröffentlicht: (2024)

360 in the Wild: Dataset for Depth Prediction and View Synthesis
von: Park, Kibaek, et al.
Veröffentlicht: (2024)

ViTA-PAR: Visual and Textual Attribute Alignment with Attribute Prompting for Pedestrian Attribute Recognition
von: Park, Minjeong, et al.
Veröffentlicht: (2025)

SIV-Bench: A Video Benchmark for Social Interaction Understanding and Reasoning
von: Kong, Fanqi, et al.
Veröffentlicht: (2025)

Bridging Implicit and Explicit Geometric Transformation for Single-Image View Synthesis
von: Park, Byeongjun, et al.
Veröffentlicht: (2022)

Jailbreaking on Text-to-Video Models via Scene Splitting Strategy
von: Lee, Wonjun, et al.
Veröffentlicht: (2025)

CompoDistill: Attention Distillation for Compositional Reasoning in Multimodal LLMs
von: Kim, Jiwan, et al.
Veröffentlicht: (2025)

Open-o3-Video: Grounded Video Reasoning with Explicit Spatio-Temporal Evidence
von: Meng, Jiahao, et al.
Veröffentlicht: (2025)

TC-Bench: Benchmarking Temporal Compositionality in Text-to-Video and Image-to-Video Generation
von: Feng, Weixi, et al.
Veröffentlicht: (2024)

SlowFast-VGen: Slow-Fast Learning for Action-Driven Long Video Generation
von: Hong, Yining, et al.
Veröffentlicht: (2024)

VideoStir: Understanding Long Videos via Spatio-Temporally Structured and Intent-Aware RAG
von: Fu, Honghao, et al.
Veröffentlicht: (2026)

ST-Prune: Training-Free Spatio-Temporal Token Pruning for Vision-Language Models in Autonomous Driving
von: Sha, Lin, et al.
Veröffentlicht: (2026)

DETACH : Decomposed Spatio-Temporal Alignment for Exocentric Video and Ambient Sensors with Staged Learning
von: Yoon, Junho, et al.
Veröffentlicht: (2025)

Multi-Granular Spatio-Temporal Token Merging for Training-Free Acceleration of Video LLMs
von: Hyun, Jeongseok, et al.
Veröffentlicht: (2025)

Video-Bench: Human-Aligned Video Generation Benchmark
von: Han, Hui, et al.
Veröffentlicht: (2025)

Think as Needed: Geometry-Driven Adaptive Perception for Autonomous Driving
von: Kim, Donghyun, et al.
Veröffentlicht: (2026)

Tipiano: Cascaded Piano Hand Motion Synthesis via Fingertip Priors
von: Bae, Joonhyung, et al.
Veröffentlicht: (2026)