論文の概要: Evidence-Backed Video Question Answering

• arxiv url: http://arxiv.org/abs/2607.11862v1
• Date: Mon, 13 Jul 2026 17:49:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.578673
• Title: Evidence-Backed Video Question Answering
• Title（参考訳）: エビデンス支援によるビデオ質問の回答
• Abstract要約: 既存の説明可能性の取り組みは、テキストの合理性やまばらなバウンディングボックスに依存している。 E-VQA(Evidence-Backed Video Question Answering)を提案する。 これをサポートするために,識別的および生成的画素レベルのグラウンド化のための最初の人為的検証ベンチマークST-Evidenceを導入する。
• 参考スコア（独自算出の注目度）: 90.93225758130426
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current Video Large Language Models (Video LLMs) excel in question answering (QA) but largely operate as black boxes, providing textual answers without verifiable visual grounding. Existing explainability efforts rely on textual rationales or sparse bounding boxes, which struggle to capture complex video dynamics such as occlusions and non-rigid deformations. We propose Evidence-Backed Video Question Answering (E-VQA), a novel task requiring models to jointly output a semantic answer and precise spatio-temporal evidence: temporal segments and dense, tracked object segmentation masklets. To support this, we introduce ST-Evidence, the first human-verified benchmark for both discriminative and generative pixel-level grounding. Evaluations of state-of-the-art models reveal a critical decoupling between QA accuracy and true visual perception that scaling alone fails to bridge. To address this, we develop scalable, automated generation pipelines to create ST-Evidence-Instruct, a 160k-scale dataset bridging high-level reasoning with fine-grained grounding. Fine-tuning grounded Video LLMs on this data yields substantial gains over the corresponding size-matched UniPixel baselines (e.g., +27.2 t-mean and +13.8 J&F on a 7B model), establishing a robust baseline for explainable, evidence-backed video understanding. Code and data are available at https://github.com/SalesforceAIResearch/EVQA.
• Abstract（参考訳）: 現在のビデオ大言語モデル (Video LLMs) は質問応答 (QA) に優れるが、主にブラックボックスとして機能し、視覚的根拠を検証せずにテキストによる回答を提供する。 既存の説明可能性の努力は、オクルージョンや非厳密な変形のような複雑なビデオのダイナミクスを捉えるのに苦労するテキストの合理性やスパース境界ボックスに依存している。 E-VQA(Evidence-Backed Video Question Answering, E-VQA)を提案する。 これをサポートするために,識別的および生成的画素レベルのグラウンド化のための最初の人為的検証ベンチマークST-Evidenceを導入する。 最先端モデルの評価では、QAの精度と、スケーリングだけでは橋渡しができないという真の視覚的認識の間に重要な疎結合が示される。 これを解決するために、我々はスケーラブルで自動化された生成パイプラインを開発し、微細なグラウンドで高レベルの推論をブリッジする160kスケールのデータセットST-Evidence-Instructを作成しました。 このデータに基づいて微調整されたビデオLLMは、対応する大きさのUniPixelベースライン(例えば、+27.2 t-meanと+13.8 J&Fの7Bモデル)よりも大幅に向上し、説明可能なエビデンスベースのビデオ理解のための堅牢なベースラインを確立する。 コードとデータはhttps://github.com/SalesforceAIResearch/EVQA.comで公開されている。

関連論文リスト

• What You Ask is What You Ground: Bridging Question Intent to Temporal Evidence for Grounded VideoQA [17.77550360283809]
  地上ビデオ質問応答における批判的かつ見落とされがちな障害モードについて検討する。 そこで本研究では,ローカライゼーション前の質問意図に基づいて映像特徴を調停するGroundFormerを提案する。 GroundFormerは、NExT-GQAおよびSTAR上で、最先端の地上ビデオQA性能を実現する。
  論文  参考訳（メタデータ） (2026-08-16T12:24:21Z)
• 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)
• Think with Grounding: Curriculum Reinforced Reasoning with Video Grounding for Long Video Understanding [38.87967229483403]
  Video-TwGは、新しいThink-with-Groundingパラダイムを採用したカリキュラム強化フレームワークである。 Video-TwGは、複雑な補助モジュールや注釈付き推論トレースに頼ることなく、簡単にエンドツーエンドでトレーニングすることができる。 提案アルゴリズムは, 微粒な接地報酬, 自己確認擬似報酬, 精度保証機構を特徴とする。
  論文  参考訳（メタデータ） (2026-02-21T03:16:23Z)
• LongVT: Incentivizing "Thinking with Long Videos" via Native Tool Calling [87.98096428508181]
  LongVTは、Multimodal Chain-of-Tool-Thoughtを通じて"Thinking with Long Videos"を可能にするエンドツーエンドのエージェントフレームワークである。 我々は、LMM固有の時間的接地機能を利用して、特定のビデオクリップをズームインし、よりきめ細かいビデオフレームを再サンプリングするネイティブビデオトリミングツールを開発した。 トレーニングデータセットは, ツール統合型冷間始動微調整用247.9K試料, エージェント強化学習用1.6K試料, エージェント強化微調整用15.4K試料からなる。
  論文  参考訳（メタデータ） (2025-11-25T19:22:48Z)
• Beyond Isolated Facts: Synthesizing Narrative and Grounded Supervision for VideoQA [37.679936989592996]
  よりリッチな監視信号を合成するためのフレームワークを導入する。 質問ベースパラフレーズ(QBP)と質問ベースキャプション(QBC)の2つの補完戦略を提案する。
  論文  参考訳（メタデータ） (2025-09-29T08:28:44Z)
• ImplicitQA: Going beyond frames towards Implicit Video Reasoning [39.63171940350552]
  ImplicitQAは、人間のような暗黙の推論でビデオQAモデルをテストするために設計された新しいベンチマークである。 ImplicitQAは、1Kの高品質なクリエイティビティビデオクリップから引き出された1Kの微妙な注釈付きQAペアからなる。
  論文  参考訳（メタデータ） (2025-06-26T19:53:54Z)
• Grounded-VideoLLM: Sharpening Fine-grained Temporal Grounding in Video Large Language Models [53.235170710385006]
  我々は,特定の映像モーメントをきめ細かな方法で知覚・推論できる新しいビデオLLMであるGrounded-VideoLLMを紹介した。 我々は,(1)フレーム間の関係を符号化する追加の時間的ストリームと(2)特定の時間的知識に富んだ離散的な時間的トークンを組み込むことで,モデルを洗練する。 実験では, 時間文の接地, ビデオキャプションの密接化, ビデオQAの接地といった, きめ細かい接地作業に優れていた。
  論文  参考訳（メタデータ） (2024-10-04T10:04:37Z)
• Can I Trust Your Answer? Visually Grounded Video Question Answering [88.11169242115416]
  本稿では,ビデオ言語理解のための事前学習技術を活用したビデオQAについて検討する。 NExT-GQA - NExT-QAの拡張で、10.5$K$の時間的グラウンドラベルを元のQAペアに結び付ける。
  論文  参考訳（メタデータ） (2023-09-04T03:06:04Z)
• Invariant Grounding for Video Question Answering [72.87173324555846]
  Video Question Answering (ビデオQA)は、ビデオに関する質問に答えるタスクである。 先行するビデオQAモデルでは、典型的な学習目標である経験的リスク最小化(ERM)が、ビデオクエストペアと回答の間の表面的相関に基づく。 Invariant Grounding for VideoQA (IGV) という新たな学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-06T04:37:52Z)
• Dense-Caption Matching and Frame-Selection Gating for Temporal Localization in VideoQA [96.10612095576333]
  本稿では,マルチモーダルな入力源を効果的に統合し,時間的関連情報から質問に答えるビデオ質問応答モデルを提案する。 また,2レベルアテンション(単語・オブジェクト・フレームレベル),異なるソース(ビデオ・高密度キャプション)に対するマルチヘッド自己統合,ゲートへのより関連性の高い情報伝達などで構成されている。 当社のモデルは,各モデルコンポーネントが大きな利益をもたらす,難易度の高いTVQAデータセット上で評価され,全体的なモデルでは,最先端のモデルよりも大きなマージンで優れています。
  論文  参考訳（メタデータ） (2020-05-13T16:35:27Z)

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。