論文の概要: ID-VTG: Image-Disambiguated Video Temporal Grounding

• arxiv url: http://arxiv.org/abs/2608.20127v1
• Date: Thu, 20 Aug 2026 14:54:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.61552
• Title: ID-VTG: Image-Disambiguated Video Temporal Grounding
• Title（参考訳）: ID-VTG:画像に不明瞭なビデオ時間グラウンド
• Authors: Minghang Zheng, Jingli Wei, Hongyi Yang, Yang Liu,
• Abstract要約: 画像の曖昧なビデオ時間グラウンド(ID-VTG)について紹介する。 参照画像とテキスト記述を組み合わせたマルチモーダルクエリを用いて、特定のインスタンスが記述されたアクションを実行するセグメントを正確にローカライズする。 本稿では,デュアルブランチ高速スローアーキテクチャに基づくビジュアルガイド型曖昧さ集約(VGD-Agg)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 7.517743078571091
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Video Temporal Grounding (VTG) faces significant challenges when natural language queries must distinguish between multiple events involving visually similar entities, particularly when relying on fine-grained visual attributes that are difficult to describe accurately in words alone. To address this, we introduce Image-Disambiguated Video Temporal Grounding (ID-VTG), a task that leverages multimodal queries combining a reference image and a text description to precisely localize segments where a specific instance performs a described action. To facilitate research, we construct two benchmarks: IDVTG-Gym, focusing on fine-grained, compositionally ordered gymnastics actions with athletes in similar uniforms; and IDVTG-InternVid, an open-world dataset featuring diverse entities (e.g., humans, animals, fictional characters) and significant temporal distractors. Methodologically, we propose the Visually-Guided Disambiguation Aggregation (VGD-Agg) framework based on a dual-branch fast-slow architecture. The fast branch efficiently generates preliminary event proposals, while the slow branch performs fine-grained frame-level matching between video frames and the reference image. We enhance discriminability via two learnable tokens: a Compare Token, which represents hard negatives to probe for the presence of the target instance (as referred to by the query image), and a Depress Value, which represents text-irrelevant events. Proposals that the Compare Token identifies as lacking the target instance are pushed toward the Depress Value, thus easing disambiguation via the text query. Extensive experiments validate our approach, which achieves state-of-the-art results on the proposed benchmarks. Code is available at https://github.com/oceanflowlab/ID-VTG.
• Abstract（参考訳）: ビデオテンポラルグラウンドディング(VTG)は、自然言語クエリが視覚的に類似したエンティティを含む複数のイベントを区別しなければならない場合、特に単語だけで正確に記述することが難しい細粒度の視覚的属性に依存する場合、重大な課題に直面している。 そこで本研究では、参照画像とテキスト記述を組み合わせたマルチモーダルクエリを活用し、特定のインスタンスが記述されたアクションを実行するセグメントを正確にローカライズするタスクである、ID-VTG(Image-Disambiguated Video Temporal Grounding)を紹介する。 IDVTG-InternVidは、さまざまな実体(例えば、人間、動物、架空のキャラクター)と重要な時間的気晴らしを特徴とするオープンワールドデータセットである。 提案手法は,デュアルブランチ高速スローアーキテクチャに基づく視覚ガイド型曖昧化集約(VGD-Agg)フレームワークを提案する。 高速ブランチは予備イベント提案を効率よく生成し、スローブランチはビデオフレームと参照画像とのきめ細かいフレームレベルマッチングを行う。 本稿では,2つの学習可能なトークンを用いて識別性を向上させる。対象インスタンスの存在を調査する難易度を表す比較トークンと,テキスト非関連イベントを表す抑うつ値である。 Compare Tokenがターゲットインスタンスの欠如を識別する提案は、Depress Valueに向かってプッシュされ、テキストクエリによる曖昧さが緩和される。 大規模な実験により提案手法の有効性が検証され, 提案したベンチマークの最先端結果が得られた。 コードはhttps://github.com/oceanflowlab/ID-VTGで入手できる。

関連論文リスト

• SGDiff: Scene Graph Guided Diffusion Model for Image Collaborative SegCaptioning [53.638998508418545]
  本稿では,画像の協調とキャプション'(セグキャプション)を新たに導入する。 SegCaptioningは、オブジェクトを囲むバウンディングボックスのような直接的なプロンプトを、(カプセル、マスク)ペアで表されるさまざまな意味解釈に変換することを目的としている。 このタスクは、ユーザの意図を最小限のプロンプトから正確に把握し、同時に複数の意味的に整列したキャプションワードとマスクを予測するなど、大きな課題を生じさせる。
  論文  参考訳（メタデータ） (2025-12-01T18:33:04Z)
• Logic-in-Frames: Dynamic Keyframe Search via Visual Semantic-Logical Verification for Long Video Understanding [23.022070084937603]
  本稿では,視覚意味論理探索のパラダイムの下で選択を再構成する意味論的検索フレームワークを提案する。 提案手法は,キーフレーム選択の指標を手動でアノテートしたベンチマーク上で,新たなSOTA性能を確立する。
  論文  参考訳（メタデータ） (2025-03-17T13:07:34Z)
• VrdONE: One-stage Video Visual Relation Detection [30.983521962897477]
  Video Visual Relation Detection (VidVRD)は、ビデオの時間と空間におけるエンティティの理解に焦点を当てている。 VidVRDの従来の手法は、その複雑さに悩まされ、通常、タスクを2つの部分に分割する。 VidVRDのワンステージモデルであるVrdONEを提案する。
  論文  参考訳（メタデータ） (2024-08-18T08:38:20Z)
• Towards Video Anomaly Retrieval from Video Anomaly Detection: New Benchmarks and Model [70.97446870672069]
  ビデオ異常検出(VAD)はその潜在的な応用により注目されている。 Video Anomaly Retrieval (VAR)は、関連のある動画をモダリティによって実用的に検索することを目的としている。 一般的な異常データセットの上に構築されたUCFCrime-ARとXD-Violenceの2つのベンチマークを示す。
  論文  参考訳（メタデータ） (2023-07-24T06:22:37Z)
• Learning Grounded Vision-Language Representation for Versatile Understanding in Untrimmed Videos [57.830865926459914]
  本稿では,情報イベントを自動的に検出する未編集ビデオのための視覚言語学習フレームワークを提案する。 粗いレベルのビデオ言語アライメントの代わりに、細かなセグメントレベルのアライメントを促進するために、2つの二重プレテキストタスクを提示する。 我々のフレームワークは、視覚的な言語理解と生成のタスクに容易に対応できる。
  論文  参考訳（メタデータ） (2023-03-11T11:00:16Z)
• Video Referring Expression Comprehension via Transformer with Content-aware Query [60.89442448993627]
  ビデオ参照表現(REC)は、自然言語表現によって参照されるビデオフレーム内の対象物をローカライズすることを目的としている。 現在のクエリ設計はサブオプティマであり、2つの欠点に悩まされている。 フレーム全体に一定の数の学習可能なバウンディングボックスを設置し,実りある手がかりを提供するために,アライメントされた領域特徴を用いる。
  論文  参考訳（メタデータ） (2022-10-06T14:45:41Z)
• Correspondence Matters for Video Referring Expression Comprehension [64.60046797561455]
  ビデオ参照表現(REC)は、文章に記述された参照オブジェクトをビデオフレーム内の視覚領域にローカライズすることを目的としている。 既存の手法では,1)ビデオフレーム間の非一貫性な局所化結果,2)参照オブジェクトとコンテキストオブジェクトの混同という2つの問題に悩まされている。 本稿では、フレーム間およびクロスモーダルの両方で密接な関連性を明確に強化する新しいデュアル対応ネットワーク(DCNet)を提案する。
  論文  参考訳（メタデータ） (2022-07-21T10:31:39Z)
• Target Adaptive Context Aggregation for Video Scene Graph Generation [36.669700084337045]
  本稿では,映像シーングラフ生成(VidSGG)の課題を扱う。 複雑な低レベルエンティティ追跡から関係予測のためのコンテキストモデリングを分離することにより,この課題に対する新しい Em 検出-追跡パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-08-18T12:46:28Z)

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。