論文の概要: CAViAR: Critic-Augmented Video Agentic Reasoning

• arxiv url: http://arxiv.org/abs/2509.07680v1
• Date: Tue, 09 Sep 2025 17:59:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.313071
• Title: CAViAR: Critic-Augmented Video Agentic Reasoning
• Title（参考訳）: CAViAR: 批判的なビデオエージェント推論
• Authors: Sachit Menon, Ahmet Iscen, Arsha Nagrani, Tobias Weyand, Carl Vondrick, Cordelia Schmid,
• Abstract要約: より複雑なビデオ推論を行うために、知覚能力を利用することができますか? 我々は,ビデオモジュールをサブエージェントやツールとして利用できる大規模言語モデルエージェントを開発した。 我々は,我々のエージェントと批評家の組み合わせが,データセット上で高い性能を達成することを示す。
• 参考スコア（独自算出の注目度）: 90.48729440775223
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Video understanding has seen significant progress in recent years, with models' performance on perception from short clips continuing to rise. Yet, multiple recent benchmarks, such as LVBench, Neptune, and ActivityNet-RTL, show performance wanes for tasks requiring complex reasoning on videos as queries grow more complex and videos grow longer. In this work, we ask: can existing perception capabilities be leveraged to successfully perform more complex video reasoning? In particular, we develop a large language model agent given access to video modules as subagents or tools. Rather than following a fixed procedure to solve queries as in previous work such as Visual Programming, ViperGPT, and MoReVQA, the agent uses the results of each call to a module to determine subsequent steps. Inspired by work in the textual reasoning domain, we introduce a critic to distinguish between instances of successful and unsuccessful sequences from the agent. We show that the combination of our agent and critic achieve strong performance on the previously-mentioned datasets.
• Abstract（参考訳）: ビデオ理解は近年顕著な進歩を遂げており、ショートクリップからの知覚に対するモデルの性能は上昇し続けている。 しかし、LVBench、Neptune、ActivityNet-RTLといった最近のベンチマークでは、クエリが複雑になり、ビデオが長くなるにつれて、複雑な推論を必要とするタスクのパフォーマンスが低下している。 既存の知覚能力を利用して、より複雑なビデオ推論を成功させることができるか? 特に,ビデオモジュールをサブエージェントやツールとして利用できる大規模言語モデルエージェントを開発した。 Visual Programming、ViperGPT、MoReVQAのような以前の作業のように、クエリを解決するための固定された手順に従うのではなく、エージェントはモジュールへの各呼び出しの結果を使用してその後のステップを決定する。 テキスト推論の分野での研究に触発されて、成功事例と失敗事例を区別する批評家を紹介した。 筆者らのエージェントと批評家の組み合わせは,前述したデータセットに対して高い性能を発揮することを示す。

関連論文リスト

• Deep Video Discovery: Agentic Search with Tool Use for Long-form Video Understanding [63.82450803014141]
  長時間の映像理解は時間空間の複雑さによって大きな課題を呈する。 セグメント化されたビデオクリップ上でのエージェント検索戦略を活用するために,Deep Video Discoveryエージェントを提案する。 我々のDVDエージェントはSOTA性能を達成し,LVBenchデータセットの先行処理をはるかに上回っている。
  論文  参考訳（メタデータ） (2025-05-23T16:37:36Z)
• ViQAgent: Zero-Shot Video Question Answering via Agent with Open-Vocabulary Grounding Validation [49.1574468325115]
  本研究は、ゼロショットビデオ質問応答(VideoQA)のためのLCMブラインドエージェントを提案する。 Chain-of-Thoughtフレームワークと、YOLO-Worldと組み合わせて、オブジェクトのトラッキングとアライメントを強化する。 このアプローチは、NExT-QA、iVQA、ActivityNet-QAベンチマークのパフォーマンスを向上した、ビデオQAおよびビデオ理解における新しい最先端技術を確立する。
  論文  参考訳（メタデータ） (2025-05-21T18:32:43Z)
• ViLLa: Video Reasoning Segmentation with Large Language Model [48.75470418596875]
  ViLLa: 大規模言語モデルを用いたビデオ推論セグメンテーションを提案する。 ViLLaは、複数のコアイノベーションを通じて、これらの課題に対処しています。 長ビデオの効率的な処理を可能にするために、Villaは(3)長ビデオを短いが意味的に密度の高いセグメントに適応的に分割し、冗長性を低下させるキーセグメントサンプリングを組み込んでいる。
  論文  参考訳（メタデータ） (2024-07-18T17:59:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。