論文の概要: TOC-Bench: A Temporal Object Consistency Benchmark for Video Large Language Models
- arxiv url: http://arxiv.org/abs/2605.09904v1
- Date: Mon, 11 May 2026 02:47:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:50.480456
- Title: TOC-Bench: A Temporal Object Consistency Benchmark for Video Large Language Models
- Title（参考訳）: TOC-Bench:ビデオ大言語モデルのための時間オブジェクト一貫性ベンチマーク
- Abstract要約: ビデオ大言語モデル(ビデオ-LLM)は、一般的なビデオ理解において顕著な進歩を遂げている。
本稿では,ビデオLLMにおける時間的オブジェクトの整合性を評価するための診断ベンチマークを提案する。
ベンチマーク項目が時間的に順序付けられた視覚的証拠に依存することを保証するために,3層時間必要フィルタリングプロトコルを提案する。
- 参考スコア（独自算出の注目度）: 10.22422531424139
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Video large language models (Video-LLMs) have achieved remarkable progress in general video understanding, yet their ability to maintain temporal object consistency remains insufficiently explored. Existing benchmarks primarily focus on event recognition, action understanding, or coarse temporal reasoning, but rarely evaluate whether a model can consistently preserve the identity, state, and temporal continuity of the same object across occlusion, disappearance, reappearance, state transitions, and cross-object interactions. As a result, current evaluations may overestimate temporal reasoning ability while overlooking failures in object-centric temporal coherence. To address this issue, we introduce TOC-Bench, a diagnostic benchmark specifically designed to evaluate temporal object consistency in Video-LLMs. TOC-Bench is explicitly object-track grounded, where each queried subject is associated with a per frame object trajectory and structured temporal event timeline. To ensure that benchmark items depend on temporally ordered visual evidence rather than language priors, single-frame shortcuts, or unordered frame cues, we propose a three-layer temporal-necessity filtering protocol that removes 60.7% of candidate QA pairs and retains 17,900 temporally dependent items spanning 10 diagnostic dimensions. From this filtered pool, we further construct a human-verified benchmark containing 2,323 high-quality QA pairs over 1,951 videos. Experiments on representative Video-LLMs show that temporal object consistency remains a major unsolved challenge. Current models exhibit substantial weaknesses in event counting, event ordering, identity-sensitive reasoning, and hallucination-aware verification, despite strong performance on general video understanding benchmarks.
- Abstract（参考訳）: ビデオ大言語モデル(ビデオ-LLM)は、一般的なビデオ理解において顕著な進歩を遂げているが、時間的オブジェクトの一貫性を維持する能力はいまだ不十分である。
既存のベンチマークは主に、イベント認識、アクション理解、あるいは粗い時間的推論に重点を置いているが、モデルが同一オブジェクトのアイデンティティ、状態、時間的連続性を、排他的、消失、再出現、状態遷移、オブジェクト間の相互作用を一貫して維持できるかどうかを評価することは滅多にない。
結果として、現在の評価は、オブジェクト中心の時間的コヒーレンスにおける失敗を見落としながら、時間的推論能力を過大評価する可能性がある。
この問題に対処するために,ビデオLLMにおける時間的オブジェクトの整合性を評価するための診断ベンチマークTOC-Benchを紹介する。
TOC-Benchは明示的にオブジェクトトラックのグラウンド化されており、各クエリ対象はフレーム単位のオブジェクト軌跡と構造化された時間イベントタイムラインに関連付けられている。
ベンチマーク項目が言語先行や単一フレームのショートカット,あるいは非順序のフレームキューではなく,時間順の視覚的エビデンスに依存することを保証するために,候補QAペアの60.7%を除去し,10の診断次元にまたがる17,900個の時間依存アイテムを保持する3層時間必要フィルタリングプロトコルを提案する。
このフィルタプールから,1,951本以上の高品質QAペアを2,323本含む人間検証ベンチマークを構築した。
ビデオ-LLMの代表的な実験では、時間的オブジェクトの一貫性は未解決の大きな課題である。
現在のモデルは、一般的なビデオ理解ベンチマークでの強い性能にもかかわらず、イベントカウント、イベントオーダ、アイデンティティに敏感な推論、幻覚認識の検証において重大な弱点を示す。
関連論文リスト
- StateTrace: An Object-Centric Framework for Hidden-State Spatiotemporal Reasoning in Long Videos [45.587387649513325]
StateTraceは、トラジェクトリ、オブジェクト間関係、状態遷移イベントを構造化された推論基板にまとめる再利用可能な時間状態メモリを構築する。
StateTraceは、パブリックベンチマークとHSR-Benchの両方のパフォーマンスを継続的に改善することを示す。
論文 参考訳（メタデータ） (2026-08-19T04:31:56Z) - Video-MME-Logical: A Controlled Diagnostic Benchmark for Video Temporal-Logical Reasoning [28.325120357282156]
ビデオ時間論的推論は、フレーム間で視覚状態が進化するにつれて、モデルがエビデンスを維持、更新、構成する必要がある。
本稿では,5つの時間論的操作のベンチマークであるVideo-MME-Logicalを紹介する。
時間的地平線の変化と推論の複雑さにより、難易度制御された最終回答の評価を可能にする。
論文 参考訳（メタデータ） (2026-06-26T08:12:04Z) - Tracking the Truth: Object-Centric Spatio-Temporal Monitoring for Video Large Language Models [154.39583176906893]
大規模言語モデル(ML)は高度な理解を持ち、シーンにおける幻覚の傾向が高い。
これは、時間的モニタリングの失敗、オブジェクトの動的アイデンティティ、状態、そして時間とともに関係を永続的に追跡する能力に起因している、と我々は主張する。
既存のベンチマークでは、局所的な視覚的手がかりや統計的先行によってしばしば解決される1つの最終回答クエリに頼って、この欠陥を曖昧にしている。
論文 参考訳（メタデータ） (2026-05-09T14:32:36Z) - TimeBlind: A Spatio-Temporal Compositionality Benchmark for Video LLMs [24.299498301173255]
TimeBlindは、詳細な時間的理解のための診断ベンチマークである。
我々は600のインスタンスで20以上の最先端MLLMを評価した。
最高のMLLMのインスタンス精度は48.2%に過ぎず、人間のパフォーマンス(98.2%)をはるかに下回っている。
論文 参考訳（メタデータ） (2026-01-30T20:21:46Z) - Temporal Prompting Matters: Rethinking Referring Video Object Segmentation [64.82333675385802]
Referring Video Object (RVOS) は、クエリ文によって参照されるオブジェクトをビデオにセグメントすることを目的としている。
既存のほとんどの方法は、密集したマスクアノテーションによるエンドツーエンドのトレーニングを必要とする。
本稿では,参照要因とビデオ要因に対処するテンポラル・プロンプト生成・選択(テネ)フレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-08T17:59:57Z) - DATE: Dynamic Absolute Time Enhancement for Long Video Understanding [8.720269393713451]
長期ビデオ理解はマルチモーダル大言語モデル(MLLM)の根本的な課題であり続けている
MLLMにおける時間的意識を高める動的絶対時間拡張(DATE)を提案する。
本稿では,意味的関連性と時間的関連性の両方を保証するための2段階アルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-09-11T08:49:22Z) - When and What: Diffusion-Grounded VideoLLM with Entity Aware Segmentation for Long Video Understanding [12.410012029024342]
我々は,3つの重要なイノベーションを導入することで,制限を克服するビデオLLMであるGrounded VideoDiTを紹介する。
第一に、拡散時間遅延(DTL)エンコーダは境界感度を高め、時間的一貫性を維持する。
第二に、オブジェクト基底表現は、クエリエンティティを局所化された視覚的エビデンスに明示的に結合し、アライメントを強化する。
第三に、離散時間的タイムスタンプトークンを持つ混合トークンスキームは明示的なモデリングを提供し、きめ細かい時間的推論を可能にする。
論文 参考訳（メタデータ） (2025-08-21T15:12:14Z) - Causality Matters: How Temporal Information Emerges in Video Language Models [17.570777893613137]
ビデオ入力における位置エンコーディングの除去や修正は、時間的理解の性能の低下を最小限に抑えることが判明した。
この振る舞いを説明するために、我々は時間的情報がモデルにどのように組み込まれているかを追跡するための重要な分析実験を行った。
そこで我々は,2つの効率重視戦略を提案する。
論文 参考訳（メタデータ） (2025-08-15T16:33:14Z) - V-STaR: Benchmarking Video-LLMs on Video Spatio-Temporal Reasoning [40.18308199837137]
これらの問題点に対処するために,ビデオS-テンポラル推論(V-STa)ベンチマークを導入する。
我々は,ビデオLLMの時空間推論プロセスを実現するためのデータセットを構築した。
14のビデオ-LLMによる実験では、現在のビデオ-LLMと、堅牢で一貫性のある推論の必要性の間に大きなギャップが示されている。
論文 参考訳（メタデータ） (2025-03-14T15:21:44Z) - TimeLogic: A Temporal Logic Benchmark for Video QA [64.32208175236323]
時間的論理的質問を自動的に生成するTimeLogic QA(TLQA)フレームワークを導入する。
私たちはSTAR、Breakfast、AGQA、CrossTaskの4つのデータセットを活用し、カテゴリ毎に2kと10kのQAペアを生成します。
時間的複雑性の異なる16カテゴリの時間論理に対して,ビデオQAモデルの時間的推論性能を評価する。
論文 参考訳（メタデータ） (2025-01-13T11:12:59Z) - On the Consistency of Video Large Language Models in Temporal Comprehension [57.985769348320616]
ビデオ大言語モデル(Video-LLMs)は、時間的に言語クエリを解析し、ビデオモーメントを検索することができる。
予測整合性 - 時間的根拠の堅牢性と信頼性を示す重要な指標である。
論文 参考訳（メタデータ） (2024-11-20T00:47:17Z) - TemporalBench: Benchmarking Fine-grained Temporal Understanding for Multimodal Video Models [75.42002690128486]
TemporalBenchは、ビデオの微細な時間的理解を評価するための新しいベンチマークだ。
ビデオクリップの時間的ダイナミクスを詳述した2Kの高品質な人間のアノテーションから派生した10KのビデオQ&Aペアで構成されている。
GPT-4oのような最先端のモデルは、TemporalBench上で38.5%の質問応答精度しか達成していない。
論文 参考訳（メタデータ） (2024-10-14T17:59:58Z)
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。