論文の概要: Routing Before Looking: Query-Adaptive Evidence Acquisition for Long-form Video Understanding

• arxiv url: http://arxiv.org/abs/2608.20805v1
• Date: Fri, 21 Aug 2026 07:23:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.435665
• Title: Routing Before Looking: Query-Adaptive Evidence Acquisition for Long-form Video Understanding
• Title（参考訳）: 検索前のルーティング:ロングフォームビデオ理解のためのクエリ適応型エビデンス獲得
• Abstract要約: Route2Lookは、ロングフォームビデオ理解においてクエリ適応型エビデンスを取得するための軽量でモデルに依存しないフレームワークである。 Route2Lookは、全体的コンテキストのグローバルブラウズ、明示的な時間的手がかりの時間的グラウンド、セマンティック検索のセマンティック検索という3つのツールを備えたルート・フック・モードループで動作する。 挑戦的なロングビデオベンチマークの実験では、Rute2Lookは、データセットとクエリタイプ間で強いフレーム効率を維持しながら、最先端のパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 34.47367969610384
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-form video understanding remains challenging for video agents due to the mismatch between query demands and evidence acquisition strategies. Although recent planning-before-perception methods outperform query-agnostic pipelines, they often rely on a single dominant strategy, either generation-based strategy or retrieval-based strategy, limiting their ability to handle diverse query demands. We propose Route2Look, a lightweight and model-agnostic framework for query-adaptive evidence acquisition in long-form video understanding. Route2Look operates in a Route-Look-Memorize loop with three tools: Global Browse for holistic context, Temporal Ground for explicit temporal cues, and Semantic Retrieve for semantic search. The core component is a routing policy that dynamically selects evidence acquisition tools based on the query. To build this policy, Route2Look adopts a two-stage design: first distilling the routing skill from differential contrastive analysis between generation-based and retrieval-based trajectories, and then applying the distilled skill with hard routing rules and continue-or-stop criteria during inference. Experiments on challenging long-video benchmarks show that Route2Look achieves state-of-the-art performance while maintaining strong frame efficiency across datasets and query types. Oracle routing analysis further reveals the potential of query-adaptive evidence acquisition for future long-form video understanding.
• Abstract（参考訳）: クェリ要求とエビデンス獲得戦略のミスマッチのため、ビデオエージェントにとって長い形式のビデオ理解は依然として困難である。 最近のプランニング前パーセプション手法はクエリ非依存のパイプラインより優れているが、世代ベースの戦略や検索ベースの戦略といった、単一の支配的な戦略に依存し、さまざまなクエリ要求を処理する能力を制限していることが多い。 長文ビデオ理解におけるクエリ適応型エビデンス獲得のための軽量かつモデルに依存しないフレームワークであるRoute2Lookを提案する。 Route2Lookは、全体的コンテキストのグローバルブラウズ、明示的な時間的手がかりの時間的グラウンド、セマンティック検索のセマンティック検索という3つのツールを備えたルート・フック・モードループで動作する。 コアコンポーネントはルーティングポリシであり、クエリに基づいてエビデンス取得ツールを動的に選択する。 このポリシーを構築するために、Route2Lookは2段階の設計を採用する。まず、生成ベースと検索ベーストラジェクトリ間のコントラスト解析からルーティングスキルを蒸留し、その後、ハードルーティングルールと推論中の継続または停止基準を適用した。 挑戦的なロングビデオベンチマークの実験では、Rute2Lookは、データセットとクエリタイプ間で強いフレーム効率を維持しながら、最先端のパフォーマンスを実現している。 Oracleのルーティング分析は、将来の長文ビデオ理解のためのクエリ適応型エビデンス獲得の可能性をさらに明らかにしている。

関連論文リスト

• ORDER: Task-Conditioned Routing for Retrieval-Augmented Generation [3.6028767235872965]
  本稿では,クエリにインデックス付けと検索を併用する問合せ条件付きRAGフレームワークを提案する。 我々は,大規模かつ異種な歴史的アーカイブの枠組みを評価し,クエリのインデックス付けと検索の条件付けが,根本的ベースラインと最先端RAGシステムの両方を一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2026-09-15T11:23:16Z)
• VisualRouter: Query-Grounded Visual Sampling for Long Video Understanding [60.161767365040554]
  本稿では,クエリグラウンドビジュアルサンプリングのためのトレーニングフリーかつプラグイン・アンド・プレイフレームワークを提案する。 Visual Firstは、各クエリをグローバルまたはローカルに分類し、それに対応するサンプリング戦略を適用する。 実験の結果、Visualは均一サンプリングよりも複数のLVLMを継続的に改善し、ビデオ-MME、LongVideoBench、MLVUで5.2%、7.7%、11.6%を達成し、Qwen2.5-VL-7Bで既存のトレーニング不要のビジュアルサンプリング手法より優れていた。
  論文  参考訳（メタデータ） (2026-07-30T16:23:10Z)
• DART: Difficulty-Adaptive Routing for Zero-Shot Video Temporal Grounding [41.985888701957826]
  ゼロショットビデオ時間グラウンド(VTG)は、タスク固有のトレーニングなしで自然言語クエリから未トリミングされたビデオ内のイベントをローカライズする。 本研究では,大きな視覚モデルにおける構造的推論と難易度を考慮したルーティングを結合することでギャップを埋めるDARTを提案する。 Charades-STAとActivityNet Captionsでは、DARTは、同じ分散と複数のアウト・オブ・ディストリビューション設定の両方で、最先端のゼロショットパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-07-01T09:18:59Z)
• VideoSearch-R1: Iterative Video Retrieval and Reasoning via Soft Query Refinement [31.30208652334818]
  VideoSearch-R1は、ビデオ検索エンジンとのマルチターンインタラクションによる反復的なビデオ検索と推論のためのエージェントフレームワークである。 VideoSearch-R1は、VCMR(Video Moment Retrieval)上の3つのデータセットにわたる最先端のパフォーマンスを実現する
  論文  参考訳（メタデータ） (2026-07-01T04:59:24Z)
• Reason Before You Retrieve: Agentic Planning for Multi-modal RAG [37.890744636035144]
  本稿では,検索対象と検索対象の両方を明示的にモデル化することで,検索前の理由付けを行うマルチモーダルエージェント検索フレームワークMM-R2を提案する。 MM-R2は、まず、画像検索ペアからインテントグラウンドされた検索状態を構築し、情報要求、グラウンドドレファレント、検索制約をキャプチャする。 その後、構造化されたKnowledgeMap上で検索を行い、エージェントが関連する検索ユニットを選択して、内部にグラウンドドクエリを発行する。 Infoseek と Encyclopedic VQA データセットの実験により、MM-R2 は解答精度でかなり高いベースラインを上回り、より解釈可能で検証可能な検索軌道を得ることが示された。
  論文  参考訳（メタデータ） (2026-06-24T02:40:49Z)
• Rethinking RAG in Long Videos: What to Retrieve and How to Use It? [56.38819694781005]
  V-RAGBenchは$langle$query, evidence chunk, answer$rangle$三重項のベンチマークで、検索と生成を忠実に分離した評価を可能にする。 また、CARVEは、コンフィグレーションにまたがって並列レトリバーを動作させ、チャンク毎に入賞構成を識別するためにチャンク適応リランクを用いる手法である。
  論文  参考訳（メタデータ） (2026-06-11T10:05:49Z)
• Learning to Route: A Rule-Driven Agent Framework for Hybrid-Source Retrieval-Augmented Generation [55.47971671635531]
  大言語モデル(LLM)は、一般質問回答(QA)において顕著な性能を示した。 Retrieval-Augmented Generation (RAG)は、LLMを外部知識で強化することで、この制限に対処する。 既存のシステムは、主に構造化されていないドキュメントに依存しているが、主にリレーショナルデータベースを見下ろしている。
  論文  参考訳（メタデータ） (2025-09-30T22:19:44Z)
• 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)
• Single-Stage Visual Query Localization in Egocentric Videos [79.71065005161566]
  エンドツーエンドのトレーニングが可能なシングルステージのVQLフレームワークを提案する。 我々は,クエリとビデオフレーム間の問合せ対応を考慮し,問合せとビデオの関係を確立する。 実験により,提案手法の精度は従来のVQL手法よりも20%向上し,推論速度は10倍向上した。
  論文  参考訳（メタデータ） (2023-06-15T17:57:28Z)
• DeepQAMVS: Query-Aware Hierarchical Pointer Networks for Multi-Video Summarization [127.16984421969529]
  DeepQAMVSと呼ばれるマルチビデオ要約のための新しいQuery-Aware階層型ポインタネットワークを紹介します。 DeepQAMVSは強化学習で訓練され、代表性、多様性、クエリ適応性、時間的コヒーレンスを捉えた報酬を取り入れている。 MVS1Kデータセットで最新の結果を達成し、入力されたビデオフレームの数と線形に推論時間をスケーリングします。
  論文  参考訳（メタデータ） (2021-05-13T17:33:26Z)
• Query Resolution for Conversational Search with Limited Supervision [63.131221660019776]
  本稿では,双方向トランスフォーマに基づくニューラルクエリ解決モデルQuReTeCを提案する。 我々はQuReTeCが最先端モデルより優れており、また、QuReTeCのトレーニングに必要な人為的なデータ量を大幅に削減するために、我々の遠隔監視手法が有効であることを示す。
  論文  参考訳（メタデータ） (2020-05-24T11:37:22Z)

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。