論文の概要: SurgLQA: Scalable Long-Horizon Surgical Video Question Answering

• arxiv url: http://arxiv.org/abs/2605.17915v1
• Date: Mon, 18 May 2026 06:24:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:48.916692
• Title: SurgLQA: Scalable Long-Horizon Surgical Video Question Answering
• Title（参考訳）: SurgLQA: スケーラブルなロングホライゾン手術ビデオ質問への回答
• Authors: Diandian Guo, Xikai Yang, Ruiyang Li, Jialun Pei, Pheng-Ann Heng,
• Abstract要約: 外科的ビデオ質問回答 (VideoQA) は動的術中解釈に有望なパラダイムを提供する。 既存のアプローチは主に画像やショートクリップに制限されている。 そこで我々は,スケーラブルな手術推論のためのビデオQAフレームワークであるSurgLQAを提案する。
• 参考スコア（独自算出の注目度）: 44.46045775428032
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Surgical Video Question Answering (VideoQA) provides a promising paradigm for dynamic intraoperative interpretation, enabling real-time decision support and context-aware retrieval in clinical environments. Nevertheless, existing approaches are predominantly restricted to images or short clips, limiting their ability to model long-range procedural dynamics and causal dependencies across extended surgical workflows. To address this challenge, we propose SurgLQA, a unified long-horizon VideoQA framework for scalable surgical reasoning. This framework incorporates Faithful Temporal Consolidation (FTC), which leverages intrinsic temporal cues to construct compact long-range representations while preserving fine-grained temporal fidelity. Further, we develop Temporally-Grounded Multi-Policy Scaling (TMS), an adaptive test-time inference paradigm that strategically adjusts policy-level reasoning capacity within temporally grounded contexts. To facilitate systematic evaluation, we restructured a long-duration colonoscopy VideoQA benchmark, Colon-LQA, and conducted extensive experiments on Colon-LQA and REAL-Colon-VQA. Experimental results demonstrate that our approach achieves consistent performance gains in long-range reasoning with temporally grounded inference. Code link: https://github.com/RascalGdd/SurgLQA.
• Abstract（参考訳）: 外科的ビデオ質問回答 (VideoQA) は動的術中解釈に有望なパラダイムを提供し,臨床環境におけるリアルタイム意思決定支援とコンテキスト認識検索を可能にする。 それでも、既存のアプローチは画像やショートクリップに限られており、長期の手続き的ダイナミックスや、拡張された外科的ワークフロー間の因果依存性をモデル化する能力を制限する。 この課題に対処するために,スケーラブルな手術推論のためのビデオQAフレームワークであるSurgLQAを提案する。 この枠組みは、内在的な時間的手がかりを利用して、きめ細かい時間的忠実さを維持しながら、コンパクトな長距離表現を構築するFithful Temporal Consolidation (FTC)を取り入れている。 さらに、時間的背景のある文脈における政策レベルの推論能力を戦略的に調整する適応型テスト時間推論パラダイムであるTMS(Temporally-Grounded Multi-Policy Scaling)を開発した。 組織的評価を容易にするため,長期の大腸内視鏡検査用VQAベンチマークであるColon-LQAを再構成し,Colon-LQAおよびREAL-Colon-VQAについて広範な実験を行った。 実験により,時間的基底推定を用いた長距離推論において,本手法が一貫した性能向上を実現することを示す。 コードリンク:https://github.com/RascalGdd/SurgLQA。

関連論文リスト

• Hi-GaTA: Hierarchical Gated Temporal Aggregation Adapter for Surgical Video Report Generation [7.606404030331724]
  手術報告生成のための知覚推論フレームワークを提案し, 軽量な時間適応型HiGa-TAを特徴とする。 実験により,提案手法は,MLLMベースラインよりも一貫したゲインを達成し,全体的な性能を向上することを示す。
  論文  参考訳（メタデータ） (2026-05-11T20:21:34Z)
• SurgTEMP: Temporal-Aware Surgical Video Question Answering with Text-guided Visual Memory for Laparoscopic Cholecystectomy [12.553409376394162]
  SurgTEMPは、外科的ビデオ質問応答のための多モード視覚記憶フレームワークである。 我々は,32KのオープンエンドQAペアと3,855の動画セグメントからなる外科的ビデオ質問応答データセットであるCholeVidQA-32Kを紹介する。 SurgTEMPは、最先端のオープンソースマルチモーダルおよびビデオLLM(ファインチューニングとゼロショット)に対する包括的な評価において、大幅な性能改善を実現している。
  論文  参考訳（メタデータ） (2026-03-31T16:27:46Z)
• VideoZoomer: Reinforcement-Learned Temporal Focusing for Long Video Reasoning [49.35834435935727]
  VideoZoomerは、MLLMが推論中に視覚的焦点を制御することができる新しいエージェントフレームワークである。 私たちの7Bモデルは、多種多様な複雑な推論パターンを提供し、幅広いビデオ理解と推論のベンチマークに強いパフォーマンスをもたらします。 これらの創発的な能力は、既存のオープンソースモデルを一貫して上回り、挑戦的なタスクでプロプライエタリなシステムをライバルにさえできる。
  論文  参考訳（メタデータ） (2025-12-26T11:43:21Z)
• SurgViVQA: Temporally-Grounded Video Question Answering for Surgical Scene Understanding [11.424693319143715]
  外科領域におけるビデオ質問応答 (Video Question Answering, VideoQA) は, 時間的に整合した事象をAIモデルで推論することで, 術中理解を高めることを目的としている。 静的画像から動的手術シーンへの視覚的推論を拡張するモデルであるSurgViVQAを提案する。 Masked Video-Textを使ってビデオと質問機能を融合し、モーションやツール間のインタラクションなどの時間的手がかりをキャプチャする。
  論文  参考訳（メタデータ） (2025-11-05T09:40:16Z)
• Multi-granularity Contrastive Cross-modal Collaborative Generation for End-to-End Long-term Video Question Answering [53.39158264785098]
  ビデオQA(Long-term Video Question Answering)は、視覚的および言語的ブリッジングの課題である。 マルチグラニュラリティ コントラスト クロスモーダル・コラボレーティブ・ジェネレーション・モデル。
  論文  参考訳（メタデータ） (2024-10-12T06:21:58Z)
• GLSFormer : Gated - Long, Short Sequence Transformer for Step Recognition in Surgical Videos [57.93194315839009]
  本稿では,シーケンスレベルのパッチから時間的特徴を直接学習するための視覚変換器に基づくアプローチを提案する。 本研究では,白内障手術用ビデオデータセットである白内障-101とD99に対するアプローチを広範に評価し,各種の最先端手法と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2023-07-20T17:57:04Z)
• LoViT: Long Video Transformer for Surgical Phase Recognition [59.06812739441785]
  短時間・長期の時間情報を融合する2段階のLong Video Transformer(LoViT)を提案する。 このアプローチは、Colec80とAutoLaparoデータセットの最先端メソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2023-05-15T20:06:14Z)

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。