EgoExo-Next:Benchmarking Vision-Language Models on Visual-Option Next-State and Cross-View Reasoning
Fudan University(复旦大学)
本文提出EgoExo-Next基准,通过2,503个四选一问题评估视觉语言模型在动态视觉状态推理上的能力,发现最佳模型准确率仅43.81%,远低于人类的98.55%,凸显了现有模型在组合时间与跨视角推理上的显著局限。
2026-10-06 cs.AI cs.CV
Listening with the Eyes: Benchmarking Egocentric Co-Speech Grounding across Space and Time
Beijing Jiaotong University(北京交通大学);Foundation Model Research Center, Institute of Automation, Chinese Academy of Sciences (CASIA)(基础模型研究中心、自动化研究所、中国科学院(CASIA));Tencent Robotics X(腾讯机器人X);Department of Computer Science and Engineering, The Hong Kong University of Science and Technology (HKUST)(计算机科学与工程系、香港科学与技术大学(HKUST));Harbin Institute of Technology, Shenzhen(哈尔滨工业大学深圳学院)
本文提出EcoG-Bench,通过严格测试语音-手势绑定,揭示多模态接口可能限制时间对齐线索的可观察性。
2026-03-09 cs.CV
PuzzleMate: Benchmarking MLLMs for Egocentric Puzzle Assistance
IIIT Hyderabad(海得拉巴国际信息技术学院);IIT BHU(印度理工学院(巴纳拉斯印度教大学校区));IISER Thiruvananthapuram(蒂鲁文南特布勒姆印度科学教育与研究所);Univ. Grenoble Alpes, Inria, CNRS, Grenoble INP, LJK(格勒诺布尔阿尔卑斯大学,法国国家信息与自动化研究所,法国国家科学研究中心,格勒诺布尔国立理工学院,让·库尔实验室)
本文提出PuzzleMate框架和基准,通过用户研究评估多模态大语言模型在自我中心拼图辅助中的顺序推理能力,发现关键瓶颈及性能差距。
2026-09-15 cs.CV
Long Time No See: Benchmarking VLMs for Out-of-Sight Spatiotemporal Reasoning in Egocentric Videos
Microsoft Spatial AI Lab(微软空间智能实验室);Bocconi University(博科尼大学);ETH Zurich(苏黎世联邦理工学院)
针对自我中心视频中物体移出视野后的时空推理,提出Beyond3D基准,含9000个问题,评测九个VLM,最佳准确率42.2%,揭示当前模型在此任务上的显著不足。
2026-09-29 cs.CV
EGOILLUSION: Benchmarking Hallucinations in Egocentric Video Understanding
University of Maryland, College Park(马里兰大学学院公园分校);University of Virginia(弗吉尼亚大学)
针对多模态大型语言模型在第一视角视频理解中易产生幻觉的问题,提出首个基准EgoIllusion(含1400段视频、8000个问题),评估发现强模型如GPT-4o准确率仅59%,为低幻觉率第一视角MLLMs开发奠定基础。
2025-08-23 cs.AI cs.CV
Real Time Egocentric Object Segmentation: THU-READ Labeling and Benchmarking Results
Nokia Bell-Labs(诺基亚贝尔实验室)
自我中心分割由于其在混合现实(MR)应用中的潜力,最近引起了计算机视觉界的兴趣。虽然大多数以前的作品都集中在分割以自我为中心的人体部位(主要是手),很少有人注意到以自我为中心的对象。由于缺乏以自我为中心的对象的像素级注释的数据集,在本文中,我们贡献了一个从RGB-D THU-READ数据集的2124个图像的子集的语义标记。我们还报告了使用Thundernet的基准测试结果,Thundernet是一种实时语义分割网络,可以允许未来与端到端MR应用程序集成。
2021-06-09 cs.CV
EgoToM: Benchmarking Theory of Mind Reasoning from Egocentric Videos
Reality Labs;FAIR
提出EgoToM基准,用于评估多模态大语言模型从自我中心视频中推理目标、信念和行动的能力,发现模型在目标推断上接近人类,但在信念和未来行动推断上仍有差距。
2025-03-28 cs.AI cs.CV
EmbSpatial-Bench: Benchmarking Spatial Understanding for Embodied Tasks with Large Vision-Language Models
School of Data Science, Fudan University(复旦大学数据科学学院);School of Computer Science, Fudan University(复旦大学计算机科学技术学院)
本文构建了EmbSpatial-Bench基准,从具身场景中自动生成覆盖6种自我中心空间关系的测试,揭示当前LVLMs空间理解不足,并提出EmbSpatial-SFT指令微调数据集以提升该能力。
2024-06-09 cs.AI cs.CL cs.CV
EgoCross: Benchmarking Multimodal Large Language Models for Cross-Domain Egocentric Video Question Answering
EgoCross提出一个跨领域眼动视频问答基准,评估多模态大语言模型在不同领域中的泛化能力,揭示现有模型在非日常领域任务中的局限性。
2026-03-10 cs.AI cs.CV
SuperMemory-VQA: An Egocentric Visual Question-Answering Benchmark for Long-Horizon Memory
The Ohio State University(俄亥俄州立大学);Meta Project(Meta项目)
提出SuperMemory-VQA数据集,包含52.9小时AI眼镜录制的日常活动及4853个多选问答对,用于评估AI助手在长期记忆任务上的表现,发现现有系统可靠性不足。
2026-05-30 cs.CV cs.ET cs.HC
LongVQUBench: Benchmarking Long-Term Video Quality Understanding of Vision-Language Models
Nanyang Technological University(南洋理工大学)
提出LongVQUBench基准,包含1200+长视频和1500个问题,通过三级评估(局部、跨事件、全局)和针孔失真问答范式,揭示现有LVLMs在长视频质量理解上的局限性。
2026-07-02 cs.AI cs.CV
SUPERGLASSES: Benchmarking Vision Language Models as Intelligent Agents for AI Smart Glasses
The Hong Kong Polytechnic University(香港理工大学)
本文提出SUPERGLASSES基准,通过真实世界数据评估智能眼镜的多模态交互能力,提出SUPERLENS模型在VQA任务中超越GPT-4o,揭示了任务特定解决方案的重要性。
2026-04-09 cs.AI cs.CV
Benchmarking 2D Egocentric Hand Pose Datasets
University Health Network(大学健康网络)
针对2D第一人称手部姿态估计领域缺乏理想基准数据集的问题,提出包含特征分析、质量评估和模型验证的新型评估协议,发现H2O和GANerated Hands分别是最具潜力的真实与合成数据集。
2024-09-11 cs.CV
Seeing in the Dark: Benchmarking Egocentric 3D Vision with the Oxford Day-and-Night Dataset
Active Vision Lab(主动视觉实验室);Dynamic Robot Systems Group(动态机器人系统组);University of Oxford(牛津大学)
本文提出牛津昼夜数据集,利用Meta ARIA眼镜和多会话SLAM构建大规模以自我为中心的三维视觉基准,支持新视角合成与视觉重定位任务。
2025-06-04 cs.CV
How to Correctly Make Mistakes: A Framework for Constructing and Benchmarking Mistake Aware Egocentric Procedural Videos
University of Trento(特伦托大学);University of Edinburgh(爱丁堡大学);Italy(意大利);United Kingdom(大不列颠岛)
本文提出PIE-V框架,通过引入可控的人类合理偏差来构建和评估错误感知的第一人称视频,结合心理学启发的错误计划、纠正计划、LLM作家和评委,提升视频的合理性和一致性。
2026-04-16 cs.CV
Omnia de EgoTempo: Benchmarking Temporal Understanding of Multi-Modal LLMs in Egocentric Videos
Google(谷歌);Politecnico di Torino(都灵理工大学)
本文提出 EgoTempo 基准,通过要求整合全视频信息的第一视角视频问答任务,评估并揭示当前 MLLM 的时间推理能力仍存在明显不足。
2025-03-17 cs.CV
A Novel Benchmarking Paradigm and a Scale- and Motion-Aware Model for Egocentric Pedestrian Trajectory Prediction
Huawei Technologies Canada(华为加拿大技术公司)
本文提出一种基于场景提取和新指标的行人轨迹预测评估范式,并设计多模态分层融合及辅助任务的模型,在挑战场景中性能提升达40%。
2023-10-16 cs.CV cs.RO
TeleEgo: Benchmarking Egocentric AI Assistants in the Wild
Institute of Artificial Intelligence (TeleAI), China Telecom(人工智能研究院(TeleAI),中国电信)
TeleEgo是一个用于评估第一人称AI助手在真实场景中多模态处理能力的基准测试,通过长持续时间流媒体数据和严格评估指标,推动未来具有更强流媒体记忆能力的助手发展。
2025-12-10 cs.CV
EgoProbe: Benchmarking Long-Range and Exact Memory in Streaming Egocentric Videos
HKUST(香港科技大学);KAUST(阿卜杜拉国王科技大学);ECNU(华东师范大学);NTU(南洋理工大学)
本研究提出EgoProbe基准,从长程保留和干扰下的事件特定回忆两个维度评估流式自我中心记忆,通过两个子集及多轮探测揭示现有模型在长程精确记忆上的局限,为相关研究提供测试平台。
2026-10-14 cs.CV
EgoInstruct: An Egocentric Video Dataset of Face-to-face Instructional Interactions with Multi-modal LLM Benchmarking
The University of Tokyo(东京大学)
本文构建面对面教学第一视角视频数据集 EgoInstruct,标注流程步骤分割与对话状态分类任务,并评测联合处理图像、音频和文本的 MLLMs,证明其无需任务专用微调即可优于专用基线。
2025-09-26 cs.CV
EgoBabyVLM: Benchmarking Cross-Modal Learning from Naturalistic Egocentric Video Data
Meta Superintelligence Labs(Meta超智能实验室);Stanford University(斯坦福大学);Meta Reality Labs(Meta现实实验室);The University of Tokyo(东京大学)
研究探讨了儿童如何从有限的视觉-语言输入中获得语言 grounding 的鲁棒性,提出了 EgoBabyVLM 挑战,推动模型在自然主义数据中实现 grounded language learning。
2026-05-18 cs.AI cs.CL cs.CV
EgoSocial: Benchmarking Proactive Intervention Ability of Omnimodal LLMs via Egocentric Social Interaction Perception
University of Maryland, College Park(马里兰大学学院市分校)
针对LLM缺乏社交干预意识的问题,提出EgoSocial基准数据集和EgoSoD方法,通过多模态社交思维图动态建模交互,显著提升干预时机检测性能。
2025-10-15 cs.CV
DarkQA: Benchmarking Vision-Language Models on Visual-Primitive Question Answering in Low-Light Indoor Scenes
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院);Pohang University of Science and Technology (POSTECH)(釜山科学技术大学)
DarkQA针对低光环境下视觉语言模型的感知基本能力进行基准测试,通过多级低光条件评估,揭示模型在复杂任务中的局限性。
2026-05-12 cs.AI cs.CV cs.LG
HomeSafeBench: Benchmarking Embodied Vision-Language Models in Free-Exploration Home Safety Inspection
Beijing Institute of Technology(北京理工大学);Beihang University(北京航空航天大学)
研究针对家庭安全隐患检查需求构建HomeSafeBench基准,提出CueBack数据构建方法,微调4B规模VLM使分布外测试集F1值显著提升,缩小了与人类检查员的性能差距。
2026-08-05 cs.CL cs.CV
Benchmarking Egocentric Visual-Inertial SLAM at City Scale
ETH Zurich(苏黎世联邦理工学院);Google(谷歌);Meta Reality Labs Research(Meta现实实验室);Microsoft Spatial AI Lab(微软空间人工智能实验室)
针对现有SLAM基准无法匹配可穿戴设备第一人称数据的挑战、缺乏高精度真值的问题,本文提出城市尺度的第一人称多模态视觉惯性SLAM数据集与基准,含厘米级精度位姿标注,验证了现有SOTA系统鲁棒性不足,并设计多难度赛道助力方法评估。
2025-09-30 cs.CV cs.RO
S-EMBER: A Large-Scale Benchmark for Streaming Egocentric Memory Retrieval
FAIR, Meta(公平研究院,元公司);Reality Labs, Meta(现实实验室,元公司)
研究针对可穿戴设备连续第一人称记录下AI助手的情景记忆问题,引入S-EMBER基准测试,通过视频及问答对模拟真实交互,发现前沿模型存在定位矛盾,为可穿戴AI代理情景记忆发展奠定基础。
2026-08-27 cs.AI cs.CV
Benchmarking Egocentric Multimodal Goal Inference for Assistive Wearable Agents
Meta Reality Labs(Meta 现实实验室);Meta FAIR
本工作提出WAGIBench基准,用于评估视觉-语言模型从多模态数据推断用户目标的能力,发现人类准确率93%远超最佳模型84%,且大模型表现更好但实用性不足。
2025-10-25 cs.CV cs.LG
Ego-Grounding for Personalized Question-Answering in Egocentric Videos
University of Science and Technology of China(中国科学技术大学);National University of Singapore(新加坡国立大学)
本文提出MyEgo数据集,用于评估多模态大语言模型在需要自我定位的个性化问答中的能力,发现现有模型在自我记忆和推理方面存在显著不足。
2026-04-02 cs.AI cs.CV cs.RO
APM-Bench: Benchmarking Cross-session Persistent Memory for Egocentric Streaming Video Assistants
Shanghai Jiao Tong University(上海交通大学);Eastern Institute of Technology, Ningbo(宁波东方理工大学);Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);Zhongguancun Academy(中关村学院);Dalian University of Technology(大连理工大学);Beihang University(北京航空航天大学);Hong Kong Polytechnic University(香港理工大学)
APM-Bench提出多会话生活轨迹基准,评估流式视频助手在间歇交互中的持久记忆,揭示效用-延迟-存储权衡,推动实用记忆系统开发。
2026-10-14 cs.CV
PREGO: online mistake detection in PRocedural EGOcentric videos
Sapienza University of Rome(罗马第一大学);ItalAI;University of Catania(卡塔尼亚大学)
针对在线开放集第一人称过程视频错误检测的空白,提出基于在线动作识别与符号推理对比的PREGO模型,并适配构建两个在线基准数据集开展评估。
2024-05-17 cs.CV
Unifying Few- and Zero-Shot Egocentric Action Recognition
University of Colorado, Boulder(科罗拉多大学博尔德分校);Facebook Reality Labs(Facebook现实实验室)
虽然在自我中心动作识别方面已经有了大量的研究,但大多数方法和任务,包括史诗厨房,都假设了一组固定的动作类。固定集分类对于基准测试方法是有用的,但由于动作的组合性,在实际设置中通常是不现实的,导致功能无限基数标签集。在这项工作中,我们探索泛化与一个开放的类集统一两种流行的方法:少数和zero-shot泛化(后者,我们重新定义为跨模态Few-Shot泛化)。我们提出了一组新的分裂来自EPIC-KITCHENS数据集,允许开放集分类的评估,并使用这些分裂表明,增加一个度量学习损失的传统的直接对齐基线可以提高zero-shot分类多达10%,而不牺牲Few-Shot的性能。
2020-05-27 cs.CV cs.LG
HOT3D: Hand and Object Tracking in 3D from Egocentric Multi-View Videos
Meta Reality Labs;facebookresearch(Facebook Research)
本文提出HOT3D数据集,提供超833分钟自我中心多视角手部与物体3D跟踪数据,并验证多视角方法在3D手部跟踪、6DoF物体姿态估计等任务上显著优于单视角方法。
2025-04-30 cs.AI cs.CV cs.RO
Minerva-Ego: Spatiotemporal Hints for Egocentric Video Understanding
Google(谷歌);DeepMind(深度Mind)
本文提出Minerva-Ego基准,通过多步骤多模态问题和密集标注的时空推理轨迹评估眼动视频理解模型,发现提示'何时何地'显著提升性能。
2026-05-14 cs.CV cs.LG
X-Ego: Acquiring Team-Level Tactical Situational Awareness via Cross-Egocentric Contrastive Video Representation Learning
University of Southern California(南加州大学);USC Institute for Creative Technologies(USC创意技术研究所)
该研究推出包含124小时《Counter-Strike 2》职业赛事第一人称视角数据的X-Ego-CS基准,提出跨第一人称对比学习方法以提升团队战术态势感知,在位置预测任务上验证了有效性,为多智能体战术学习研究提供支撑。
2025-10-22 cs.AI cs.CV cs.LG
Aria Digital Twin: A New Benchmark Dataset for Egocentric 3D Machine Perception
Meta Reality Labs(元宇宙现实实验室)
本研究推出第一视角基准数据集Aria Digital Twin,含200段多模态真实室内活动序列与多维度高精度真值及合成渲染图,为第一视角机器感知与AR相关任务设立新评估标准,并通过前沿方法验证其基准价值。
2023-06-13 cs.AI cs.CV cs.LG
Egocentric Human-Object Interaction Detection: A New Benchmark and Method
Department of Electrical and Electronic Engineering, The Hong Kong Polytechnic University(电子与电气工程系,香港理工大学)
本文提出Ego-HOIBench基准(含27K+图像和123类三元组标注)及轻量级即插即用方法HGIR,利用手部几何与交互注意力提升自我中心人-物交互检测性能,实现最先进结果。
2025-08-26 cs.CV
OmniScene: Attention-Augmented Multimodal 4D Scene Understanding for Autonomous Driving
The Hong Kong University of Science and Technology(香港科技大学);Li Auto Inc.;the School of Vehicle and Mobility, Tsinghua University(清华大学车辆与移动系统学院)
提出类人框架OmniScene,通过OmniVLM和知识蒸馏实现多模态4D场景理解,并采用层次化融合策略,在nuScenes上超越十余种模型。
2025-09-25 cs.CV
Benchmarking Interaction, Beyond Policy: a Reproducible Benchmark for Collaborative Instance Object Navigation
Sapienza University of Rome(罗马大学);University of Verona(维罗纳大学);Polytechnic of Turin(都灵理工大学);Fondazione Bruno Kessler(布鲁诺·凯斯勒基金会);Reykjavik University(雷克雅未克大学)
本文提出QAsk-Nav基准,用于评估协作实例物体导航中的导航与协作问答能力,提供轻量级问答协议和高质量数据集,开发出更高效且性能更优的Light-CoNav模型。
2026-03-31 cs.AI cs.CV
SWITCH: Benchmarking Modeling and Handling of Tangible Interfaces in Long-horizon Embodied Scenarios
SWITCH基准测试通过1170个时间交互视频,评估具象接口在真实第一人称环境中的闭环交互推理,揭示多模态模型在细粒度视觉-时间感知、结果验证和错误恢复方面的不足。
2026-07-08 cs.AI cs.CV cs.RO
Benchmarking and Learning Object-Centric Procedural Understanding in Instructional Videos
Michigan State University(密歇根州立大学)
本文提出ProcObject-10K,首个评估教学视频中以对象为中心推理和时间证据定位的基准,涵盖137个任务和五种推理类型,揭示模型在对象动态理解上的不足。
2026-10-30 cs.CV
GenSpace: Benchmarking Spatially-Aware Image Generation
Zhejiang University(浙江大学);Sea AI Lab(海思人工智能实验室);The University of Hong Kong(香港大学)
GenSpace基准通过重建三维场景几何来评估图像生成模型的空间感知能力,揭示其在物体视角理解、自我中心-非自我中心变换和度量测量遵循性三方面的核心局限。
2025-06-06 cs.CV
TACO: Benchmarking Generalizable Bimanual Tool-ACtion-Object Understanding
Tsinghua University(清华大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);Shanghai Qi Zhi Institute(上海期智研究院);Beijing University of Posts and Telecommunications(北京邮电大学);Beijing Institute of Technology(北京理工大学)
本文构建了大规模双手手物交互数据集 TACO,并提出全自动数据采集流水线,对组合动作识别、手物运动预测和协作抓取合成等可泛化任务进行基准测试,揭示了手物运动分析与合成的新挑战与机遇。
2024-03-25 cs.CV
MLVU: Benchmarking Multi-task Long Video Understanding
Beijing Academy of Artificial Intelligence(北京人工智能研究院);Beijing University of Posts and Telecommunications(北京邮电大学);Shanghai Jiao Tong University(上海交通大学);Zhejiang University(浙江大学);Peking University(北京大学)
本文提出MLVU多任务长视频理解基准,通过扩展视频长度、丰富视频类型和多样化评估任务,对23个最新多模态大语言模型进行全面评估,揭示现有方法在长视频理解上的不足及关键改进因素。
2025-01-01 cs.AI cs.CL cs.CV
RenderBench: Benchmarking Render-to-Real Video Transfer with Reconstructed Digital Twins
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Southeast University(东南大学)
RenderBench提出一个包含12个重建真实场景的基准,通过配对真实视频和可编辑数字孪生,评估渲染到真实视频迁移的外观保真度与几何动态保持。
2026-10-07 cs.CV
EMBER-Bench: Benchmarking Cross-Event Causal Memory in Long-Horizon Embodied Tasks
Tsinghua University(清华大学);The University of Hong Kong(香港大学);Beijing Academy of Artificial Intelligence(北京人工智能研究院)
针对现有具身记忆基准忽视跨事件因果推理的问题,提出EMBER-Bench基准,含189个任务和699个问答对,评估发现最高准确率61.2%,远低于人类98.3%,揭示智能体从历史提取因果并约束当前行动仍是关键难点。
2026-10-06 cs.CV
Beyond the Cartesian Illusion: Testing Two-Stage Multi-Modal Theory of Mind under Perceptual Bottlenecks
College of Computer Science, Beijing Information Science and Technology University(北京信息科技大学计算机学院)
本文研究了多模态大语言模型在感知瓶颈下的双阶段空间推理能力,提出了一种基于锚点的具身体验空间分解链式推理方法,以解决空间对称性和视角模糊性问题,从而提升多模态理论 of Mind 的表现。
2026-05-18 cs.AI cs.CV