视频大模型

Open-ended Hierarchical Streaming Video Understanding with Vision Language Models

Hyolim Kang, Yunsu Park, Youngbeom Yoo, Yeeun Choi, Seon Joo Kim

机构 * Yonsei University（延世大学） 纠错

专题命中 视频理解 ：video understanding(title,abstract)；分类 cs.CV

Comments 17 pages

GLaVE-Cap: Global-Local Aligned Video Captioning with Vision Expert Integration

Wan Xu, Feng Zhu, Yihan Zeng, Yuanfan Guo, Ming Liu, Hang Xu, Wangmeng Zuo

机构 * Harbin Institute of Technology（哈尔滨理工大学） ； Huawei Noah’s Ark Lab（华为诺亚实验室） 纠错

专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV

Enhancing Traffic Incident Response through Sub-Second Temporal Localization with HybridMamba

Ibne Farabi Shihab, Sanjeda Akter, Anuj Sharma

机构 * Department of Computer Science, Iowa State University, Ames, IA, USA（计算机科学系，爱荷华州立大学） ； Department of Civil, Construction and Environmental Engineering, Iowa State University, Ames, IA, USA（土木、建设与环境工程系，爱荷华州立大学） 纠错

专题命中 视频理解 ：video-language(abstract)；分类 cs.CV

Shot-by-Shot: Film-Grammar-Aware Training-Free Audio Description Generation

Junyu Xie, Tengda Han, Max Bain, Arsha Nagrani, Eshika Khandelwal, Gül Varol, Weidi Xie, Andrew Zisserman

机构 * Visual Geometry Group, University of Oxford（牛津大学视觉几何组） ； CVIT, IIIT Hyderabad（海得拉巴印度理工学院计算机视觉研究所） ； LIGM, École des Ponts ParisTech（巴黎理工学院路易-狄塞尔数学与计算机科学实验室） ； SAI, Shanghai Jiao Tong University（上海交通大学人工智能研究所） 纠错

专题命中 视频理解 ：video understanding(abstract)；分类 cs.CV

Comments ICCV 2025. Project Page: https://www.robots.ox.ac.uk/vgg/research/shot-by-shot/

PanoLora: Bridging Perspective and Panoramic Video Generation with LoRA Adaptation

Zeyu Dong, Yuyang Yin, Yuqi Li, Eric Li, Hao-Xiang Guo, Yikai Wang

机构 * School of Artificial Intelligence, Beijing Normal University（北京师范大学人工智能学院） ； Beijing Jiaotong University（北京交通大学） ； The City College of New York（纽约城市学院） ； Skywork AI 纠错

专题命中 视频生成 ：video generation(title,abstract)；video diffusion(abstract)；分类 cs.CV

FineQuest: Adaptive Knowledge-Assisted Sports Video Understanding via Agent-of-Thoughts Reasoning

Haodong Chen, Haojian Huang, XinXiang Yin, Dian Shao

机构 * School of Automation, Northwestern Polytechnical University（自动化学院，西北工业大学） ； The University of Hong Kong（香港大学） ； School of Software, Northwestern Polytechnical University（软件学院，西北工业大学） ； Unmanned System Research Institute, Northwestern Polytechnical University（无人系统研究院，西北工业大学） 纠错

专题命中 视频问答 ：video understanding(title,abstract)；分类 cs.CV

Comments ACM MM 2025

Static or Dynamic: Towards Query-Adaptive Token Selection for Video Question Answering

Yumeng Shi, Quanyu Long, Wenya Wang

机构 * Nanyang Technological University（南洋理工大学） 纠错

专题命中 视频问答 ：video language model(abstract)；long video(abstract)；分类 cs.CV

Comments Accepted to EMNLP 2025 (main)

Bridging Vision Language Models and Symbolic Grounding for Video Question Answering

Haodi Ma, Vyom Pathak, Daisy Zhe Wang

机构 * Univerisy of Florida（佛罗里达大学） 纠错

专题命中 视频问答 ：video understanding(abstract)；分类 cs.CV

GISE-TTT:A Framework for Global InformationSegmentation and Enhancement

Fenglei Hao, Yuliang Yang, Ruiyuan Su, Zhengran Zhao, Yukun Qiao, Mengyu Zhu

专题命中 长视频与时序推理 ：long video(abstract)；分类 cs.CV

Comments The manuscript requires further improvement

Dr.V: A Hierarchical Perception-Temporal-Cognition Framework to Diagnose Video Hallucination by Fine-grained Spatial-Temporal Grounding

Meng Luo, Shengqiong Wu, Liqiang Jing, Tianjie Ju, Li Zheng, Jinxiang Lai, Tianlong Wu, Xinya Du, Jian Li, Siyuan Yan, Jiebo Luo, William Yang Wang, Hao Fei, Mong-Li Lee, Wynne Hsu

专题命中 视频数据与评测 ：video understanding(abstract)；分类 cs.CV

Comments 25 pages, 16 figures

MVQA-68K: A Multi-dimensional and Causally-annotated Dataset with Quality Interpretability for Video Assessment

Yanyun Pu, Kehan Li, Zeyi Huang, Zhijie Zhong, Kaixiang Yang

机构 * Huawei Technologies Co.（华为技术有限公司） ； South China University of Technology（南方科技大学） 纠错

专题命中 视频数据与评测 ：video generation(abstract)；分类 cs.CV