Fugu-MT 論文翻訳(概要): Video-Zero: Self-Evolution Video Understanding

論文の概要: Video-Zero: Self-Evolution Video Understanding

arxiv url: http://arxiv.org/abs/2605.14733v1
Date: Thu, 14 May 2026 11:56:14 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-15 21:45:34.804206
Title: Video-Zero: Self-Evolution Video Understanding
Title（参考訳）: Video-Zero: 自己進化的ビデオ理解
Authors: Ruixu Zhang, Deyi Ji, Lanyun Zhu, Xuanyi Liu, Yuxin Meng, Ruihang Chu, Yujiu Yang,
Abstract要約: ビデオの自己進化の鍵となるボトルネックは、単に困難ではなく、根拠である、と我々は主張する。我々は,時間的局所的な証拠に自己進化を集中させる,アノテーションのない質問-回答共進化フレームワークであるVideo-Zeroを提案する。 Video-Zeroは、複数のビデオVLMバックボーンを一貫して改善し、エビデンス中心の自己進化の有効性と転送性を示す。
参考スコア（独自算出の注目度）: 54.992296368077085
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Self-evolution offers a promising path for improving reasoning models without relying on intensive human annotation. However, extending this paradigm to video understanding remains underexplored and challenging: videos are long, dynamic, and redundant, while the evidence needed for reasoning is often sparse and temporally localized. Naively generating difficult question-answer pairs from full videos can therefore produce supervision that appears challenging but is weakly grounded, relying on static cues or language priors rather than temporal evidence. In this work, we argue that the key bottleneck of video self-evolution is not difficulty alone, but grounding. We propose Video-Zero, an annotation-free Questioner--Solver co-evolution framework that centers self-evolution on temporally localized evidence. The Questioner discovers informative evidence segments and generates evidence-grounded questions, while the Solver learns to answer and align its predictions with the supporting evidence. This closes an iterative loop of evidence discovery, grounded supervision, and evidence-aligned learning. Across 13 benchmarks spanning temporal grounding, long-video understanding, and video reasoning, Video-Zero consistently improves multiple video VLM backbones, demonstrating the effectiveness and transferability of evidence-centered self-evolution.
Abstract（参考訳）: 自己進化は、人間のアノテーションに頼らずに推論モデルを改善するための有望な道を提供する。しかし、このパラダイムをビデオ理解に拡張することは、まだ未解決の課題であり、ビデオは長く、動的であり、冗長である。したがって、フルビデオから難解な質問と回答のペアを生成することは、一時的な証拠ではなく静的な手がかりや言語に頼って、難しいように見えるが、弱く根底にある監督を生み出す可能性がある。この研究において、ビデオ自己進化の鍵となるボトルネックは、単に困難ではなく、根拠である、と論じる。我々は,時間的局所的な証拠に自己進化を集中させる,アノテーションのない質問応答システムであるVideo-Zeroを提案する。質問者は情報的証拠のセグメントを発見し、証拠を根拠とした質問を生成する。これは、エビデンス発見、根拠付けられた監督、エビデンスに整合した学習の反復ループを閉じる。 13のベンチマークで、時間的接地、長いビデオ理解、ビデオ推論にまたがって、Video-Zeroは一貫して複数のビデオVLMバックボーンを改善し、エビデンス中心の自己進化の有効性と転送性を示している。

関連論文リスト

Towards Temporal Compositional Reasoning in Long-Form Sports Videos [5.5825182710791275]
CoTR(Chain-of-Time Reasoning)は、時間的根拠を持つ証拠組成の過程として推論を扱う。 CoTRは、強いMLLMベースラインよりも時間的組成推論とステップワイズ基底品質を一貫して改善する。
論文参考訳（メタデータ） (2026-04-24T05:02:03Z)
VideoZeroBench: Probing the Limits of Video MLLMs with Spatio-Temporal Evidence Verification [73.02304272829785]
VideoBenchは、証拠を厳格に検証する長ビデオ応答のための階層的なベンチマークだ。これは、13のドメインに500の注釈付き質問を手動で記述し、時間間隔と空間境界ボックスを組み合わせて証拠とする。 GeminiPro-3-Proでさえ、標準のエンドツーエンドのQA設定で17%未満の質問に正しく答えている。その結果,表面レベルでの回答の正しさと真正な証拠に基づく推論との間に大きなギャップが生じた。
論文参考訳（メタデータ） (2026-04-02T03:29:43Z)
VisionCoach: Reinforcing Grounded Video Reasoning via Visual-Perception Prompting [58.508924874097715]
VisonCoach は,(1) ビデオと質問に対して適切なプロンプト型を予測する Visual Prompt Selector と,(2) 視覚的プロンプトガイダンスとオブジェクトグラウンド報酬の下で RL で最適化された Spatio-Reasoner の2つのコンポーネントから構成される。この結果から,トレーニング中の視覚的プロンプトが映像推論を改善するのに対し,注意散布センスは推論時にプロンプトを必要とせず,この能力を実現することが示唆された。
論文参考訳（メタデータ） (2026-03-15T23:32:02Z)
Think, Then Verify: A Hypothesis-Verification Multi-Agent Framework for Long Video Understanding [25.82963105515627]
VideoHV-Agentは、構造化仮説検証プロセスとしてビデオ質問応答を再構成するフレームワークである。ビデオHV-Agentは,解釈性の向上,論理的音質の向上,計算コストの低減を実現し,最先端の精度を実現する。
論文参考訳（メタデータ） (2026-03-05T09:16:07Z)
Process-of-Thought Reasoning for Videos [33.74677144833003]
Process-of-Thought (PoT) Reasoning for Videosは、ビデオ推論を軽量で検証可能なステップのシーケンスに構造化することで、推論プロセスを明確にするフレームワークである。 PoT は (i) 時間的エビデンス選択、 (ii) ステップワイズ状態更新、 (iii) 制限された応答合成をインターリーブし、ビデオエビデンスのトレーサビリティを維持しながら仮説を段階的に洗練することを可能にする。
論文参考訳（メタデータ） (2026-02-07T20:25:46Z)
Video-CoM: Interactive Video Reasoning via Chain of Manipulations [78.64256470920166]
Interactive Video Reasoningを導入し、モデルが「ビデオについて考える」ことができるようにします。当社のモデルである Video CoM は,CoM (Chain of Manipulations) を介し,証拠を収集・精査するための反復的な視覚行動を行う。 Video CoMは9つのビデオ推論ベンチマークで強い結果を出し、最近のアートモデルと比べて平均性能を3.6%向上させた。
論文参考訳（メタデータ） (2025-11-28T18:59:57Z)
When Thinking Drifts: Evidential Grounding for Robust Video Reasoning [68.75730050161219]
CoT(Chain-of-Thought)メカニズムは、テキストベースのタスクにおける推論を強化した。 CoTはビデオ推論のパフォーマンスを劣化させ、冗長だが内部のモノローグを誤解させる。ビジュアルエビデンス・リワード(Visual Evidence Reward、VER)は、ビジュアルエビデンスに根ざした推論トレースの生成に明示的に報いる強化学習フレームワークである。
論文参考訳（メタデータ） (2025-10-07T16:03:33Z)
VITED: Video Temporal Evidence Distillation [49.38292490256531]
そこで我々は,チェーン・オブ・エビデンス推論による複雑なビデオ質問応答について検討した。モデルは、固定数のフレームを均一にサンプリングするため、多段階の推論に苦労する。本稿では,既存のビデオQAデータセットをエビデンス・アソシエーション・チェーンで拡張するフレームワークを提案する。
論文参考訳（メタデータ） (2025-03-17T06:30:02Z)

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。