論文の概要: CrossView: Can Vision-Language Models Reason Across Cameras?
- arxiv url: http://arxiv.org/abs/2608.15539v1
- Date: Sun, 16 Aug 2026 05:25:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.33258
- Title: CrossView: Can Vision-Language Models Reason Across Cameras?
- Title（参考訳）: CrossView: ビジョンランゲージのモデルでカメラを横切ることができるのか?
- Abstract要約: マルチカメラビデオ理解のためのベンチマークであるCrossViewを紹介する。
自動運転車、セキュリティ監視、エゴセントリック/エクソセントリックなビデオ、そしてロボティクスにまたがる。
評価は一貫して低い精度を示し、オープンソースモデルは広いマージンで追随している。
- 参考スコア（独自算出の注目度）: 7.6121119612574155
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Video understanding benchmarks have long centered on single-camera settings, where modern multi-modal language models achieve strong performance across image and video tasks. Yet, the real world runs on multi-camera networks: autonomous vehicles, security systems, and robots all gather data across many simultaneous views. We argue that this is not simply "more" of the single-camera problem; it is fundamentally different. Multi-camera reasoning requires handling context that scales with the number of views, resolving occlusions visible from only a subset of cameras, judging which views matter, and integrating evidence across perspectives that may overlap or diverge. Current models struggle with exactly these challenges, yet no benchmark systematically targets them. We introduce CrossView, a multi-camera video question-answering benchmark spanning autonomous driving, security surveillance, egocentric/exocentric video, and robotics. Evaluation of proprietary models, such as GPT-5.2, and open-source models, like Qwen3-VL, reveals consistently low accuracy, with open-source models trailing by a wide margin. Performance scales strongly with a model's ability to jointly process multiple viewpoints, positioning CrossView as a rigorous benchmark for multi-camera video. We open-source our code and dataset at https://utaustin-swarmlab.github.io/CrossView.
- Abstract（参考訳）: ビデオ理解ベンチマークは、現代のマルチモーダル言語モデルが画像およびビデオタスク間で強力なパフォーマンスを達成する、シングルカメラ設定に長い間焦点を合わせてきた。
しかし、現実の世界はマルチカメラネットワークで動いている。自動運転車、セキュリティシステム、ロボットはすべて、複数の同時ビューにまたがってデータを収集する。
これは単にシングルカメラの問題の"それ以上"ではない、と我々は主張する。
マルチカメラ推論では、ビューの数に応じてスケールするコンテキストを扱うこと、カメラのサブセットから見えるオクルージョンを解消すること、どのビューが重要かを判断すること、重複または分散する可能性のある視点間でエビデンスを統合することが必要である。
現在のモデルは、これらの課題に正確に対処するが、それらを体系的にターゲットするベンチマークは存在しない。
CrossViewは、自動運転、セキュリティ監視、エゴセントリック/エクソセントリックなビデオ、ロボティクスにまたがるマルチカメラビデオ質問応答ベンチマークである。
GPT-5.2のようなプロプライエタリモデルとQwen3-VLのようなオープンソースモデルの評価は一貫して低い精度を示し、オープンソースモデルは幅広いマージンを辿っている。
パフォーマンスは、複数の視点を共同で処理するモデルの能力と強く結びついており、CrossViewはマルチカメラビデオの厳格なベンチマークとして位置づけられている。
コードとデータセットはhttps://utaustin-swarmlab.github.io/CrossView.orgで公開しています。
関連論文リスト
- VideoWeaver: Multimodal Multi-View Video-to-Video Transfer for Embodied Agents [17.66237759970927]
VideoWeaverは、最初のマルチモーダルマルチビューV2V翻訳フレームワークである。
我々は、異なる拡散時間ステップでビューを訓練し、モデルがジョイントとコンディショナルの両方のビュー分布を学習できるようにする。
実験では、単一ビューの翻訳ベンチマークにおける最先端の性能よりも優れているか類似した性能を示す。
論文 参考訳（メタデータ） (2026-03-26T13:14:13Z) - OmniView: An All-Seeing Diffusion Model for 3D and 4D View Synthesis [80.3346344429389]
OmniViewは、広範囲な4D一貫性タスクを一般化する統合フレームワークです。
提案手法は空間,時間,ビュー条件を別々に表現し,これらの入力の柔軟な組み合わせを可能にする。
例えば、OmniViewは静的、動的、マルチビューの入力から新しいビューを合成し、軌跡を前後に外挿し、フルカメラコントロールでテキストや画像プロンプトからビデオを作成することができる。
論文 参考訳（メタデータ） (2025-12-11T18:59:05Z) - Multi-View 3D Point Tracking [67.21282192436031]
本稿では,複数のカメラビューを用いた動的シーンにおける任意の点の追跡を目的とした,データ駆動型マルチビュー3Dポイントトラッカーについて紹介する。
本モデルでは,現実的な数のカメラを用いて直接3次元対応を推定する。
我々は5K合成多視点Kubricシーケンスをトレーニングし、2つの実世界のベンチマークで評価する。
論文 参考訳（メタデータ） (2025-08-28T17:58:20Z) - Object-centric Video Question Answering with Visual Grounding and Referring [43.963739052764595]
我々は、ビデオ推論タスクにおいて、入力参照と出力のグラウンド化の両方を実行することができるビデオLLMモデルを提案する。
また、ビデオ内の残りのフレームに対して、任意の時間スタンプで任意の視覚的プロンプト入力を伝搬する新しいアプローチであるSTOMを提案する。
我々は、ビデオ質問応答やオブジェクトセグメンテーションを参照しながら、VideoInferや他の既存のベンチマークに関する包括的な実験を行う。
論文 参考訳（メタデータ） (2025-07-25T18:11:23Z) - ReCamMaster: Camera-Controlled Generative Rendering from A Single Video [72.42376733537925]
ReCamMasterは、カメラ制御された生成ビデオの再レンダリングフレームワークである。
これは、新しいカメラ軌道における入力ビデオのダイナミックなシーンを再現する。
また,ビデオの安定化,超高解像度化,画質向上に有望な応用を見出した。
論文 参考訳（メタデータ） (2025-03-14T17:59:31Z) - SynCamMaster: Synchronizing Multi-Camera Video Generation from Diverse Viewpoints [43.14498014617223]
マルチカメラビデオ生成のための事前訓練されたテキスト・ツー・ビデオモデルを強化するプラグイン・アンド・プレイ・モジュールを提案する。
異なる視点における外観と幾何の整合性を維持するために,マルチビュー同期モジュールを導入する。
提案手法は,新しい視点からビデオを再レンダリングするなど,興味をそそる拡張を可能にする。
論文 参考訳（メタデータ） (2024-12-10T18:55:17Z) - Which Viewpoint Shows it Best? Language for Weakly Supervising View Selection in Multi-view Instructional Videos [66.1935609072708]
LangViewは、ビュー依存のキャプション予測の相対的精度を、擬似ラベルを最もよく見るためのプロキシとして利用するフレームワークである。
推論中、我々のモデルは多視点ビデオ(言語やカメラのポーズなし)のみを入力として、各タイミングで見るのに最適な視点を返します。
論文 参考訳（メタデータ） (2024-11-13T16:31:08Z) - Cross-View Cross-Scene Multi-View Crowd Counting [56.83882084112913]
従来,複数カメラを用いて1台のカメラの視野を拡大する手法が提案されてきた。
任意のカメラレイアウトで異なるシーンでトレーニングやテストを行う,クロスビュー・クロスシーン(CVCS)のマルチビュー・クラウドカウント・パラダイムを提案する。
論文 参考訳（メタデータ） (2022-05-03T15:03:44Z) - OmniDet: Surround View Cameras based Multi-task Visual Perception
Network for Autonomous Driving [10.3540046389057]
本研究は,未修正魚眼画像のマルチタスク視覚知覚ネットワークを提案する。
自動運転システムに必要な6つの主要なタスクで構成されている。
共同で訓練されたモデルは、それぞれのタスクバージョンよりも優れた性能を示す。
論文 参考訳（メタデータ） (2021-02-15T10:46:24Z) - Wide-Area Crowd Counting: Multi-View Fusion Networks for Counting in
Large Scenes [50.744452135300115]
マルチビュー・クラウドカウントのためのディープニューラルネットワークフレームワークを提案する。
提案手法は,他のマルチビューカウントベースラインと比較して,最先端の結果が得られる。
論文 参考訳（メタデータ） (2020-12-02T03:20:30Z)
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。