論文の概要: TRACE: Temporal Retrieval with Anchored and Convergent Evidence for Long-Horizon Video Understanding
- arxiv url: http://arxiv.org/abs/2608.22516v1
- Date: Sun, 23 Aug 2026 17:31:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:43.783035
- Title: TRACE: Temporal Retrieval with Anchored and Convergent Evidence for Long-Horizon Video Understanding
- Title（参考訳）: TRACE:長距離映像理解のためのアンコレッド・コンバージェント・エビデンスを用いた時間検索
- Abstract要約: 長ビデオの回答は、ビデオからデコードされたフレームが、その答えが依存するすべてのイベントをカバーする場合にのみ、エビデンスをサポートする。
既存の評価は、最終回答の正当性や予測された証拠間隔をスコアするが、応答前にデコードされたメソッドのフレームは監査されることは滅多にない。
VES-Benchは348の公開長ビデオに対して,時間順およびイベントカウント項目の600クエストベンチマークである。
それぞれの項目は共同で必要となるエビデンス間隔を持ち、メソッドのデコードされたフレームがそれらすべてをカバーするかどうかを3つの厳密度レベルで監査することができます。
- 参考スコア（独自算出の注目度）: 19.77484147518509
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A long-video answer is evidence-supported only when the frames decoded from the video cover every event the answer depends on. Existing evaluations score final-answer correctness or predicted evidence intervals, but the frames a method decodes before answering are rarely audited, so correct answers can still rest on incomplete observation. We introduce VES-Bench, a 600-question benchmark of Temporal Ordering and Event Counting items over 348 public long videos. Each item carries a jointly necessary set of evidence intervals, letting us audit at three strictness levels whether a method's decoded frames cover every one of them. We also propose TRACE, a training-free agent that grounds answers in raw visual clips, builds an evidence bundle round by round, and stops only when the answer stabilises as the bundle grows and a final pass over the same clips returns the same answer. Under a same-backbone audit, TRACE answers 50.7% of questions correctly with at least two decoded frames inside every evidence interval, at 98.7 frames per question: over 10 points above uniform decoding at 128 frames (40.2%), and within 2.6 points of uniform decoding at 256 frames at 0.39x its frame cost, while reaching the highest answer accuracy in the audit (63.5%). TRACE also stays competitive on Video-MME (86.1), LVBench (75.6), and LongVideoBench (75.1).
- Abstract（参考訳）: 長ビデオの回答は、ビデオからデコードされたフレームが、その答えが依存するすべてのイベントをカバーする場合にのみ、エビデンスをサポートする。
既存の評価では、最終回答の正確さや予測された証拠間隔が評価されるが、解答前にデコードされたメソッドのフレームは検査されることは稀であり、正解はいまだ不完全な観察に留まることができる。
VES-Benchは348の公開長ビデオに対して,時間順およびイベントカウント項目の600クエストベンチマークである。
それぞれの項目は共同で必要となるエビデンス間隔を持ち、メソッドのデコードされたフレームがそれらすべてをカバーするかどうかを3つの厳密度レベルで監査することができます。
また、生のビジュアルクリップで回答をグラウンドアウトし、エビデンスバンドルをラウンドラウンドで構築し、バンドルが大きくなるにつれて解答が安定し、最終パスが同じ答えを返す場合にのみ停止するトレーニングフリーエージェントであるTRACEを提案する。
同じバックボーン監査の下で、TRACEは50.7%の質問を正解し、各エビデンス間隔内で少なくとも2つのデコードされたフレームが98.7フレーム、1問あたり128フレーム(40.2%)で一様デコーディングの10点以上、256フレームの2.6ポイント以内でフレームコストの0.39倍、そして監査の最高解答精度(63.5%)に達した。
TRACE は Video-MME (86.1)、LVBench (75.6)、LongVideoBench (75.1) と競合している。
関連論文リスト
- Counterfactual Sensitivity Is Not Repairability: Auditing Replay Probes for Video Evidence [2.3982445219832678]
我々は,一致するSHAMとDESTROYのリプレイにおける応答変化を比較するブラックボックス・カウンティファクト・プローブであるCARVEを紹介する。
3つの独立したk=3が凍結されたVideoExplorerスタイルのエージェント上で実行され、DeSTROYはSHAMよりも29.3パーセントの割合で回答を変更し、大きな再現可能な集合効果をもたらす。
k=3では、CARVEは1,258のLVBench質問のうち538点を選択し、精度を3.26ポイント改善する。
論文 参考訳（メタデータ） (2026-08-16T11:20:52Z) - Ground, Cover, and Refine: Evidence-Centric Frame Selection for Long-Video Question Answering [9.937860041147625]
長いビデオの質問に答えるには、制限された視覚的な予算の下でビデオからスパースで重要な証拠を特定する必要がある。
既存の方法は、単一のパスでクエリ対応フレームを選択するか、検索ガイダンスとしてタイムスタンプ付きテキストに頼るかのいずれかである。
本稿では,固定予算フレーム選択を共同エビデンスキュレーション問題として用いたトレーニングフリーフレームワークであるGCRを提案する。
論文 参考訳（メタデータ） (2026-08-03T03:50:22Z) - QCA: Query- and Content-Aware Keyframe Selection for Long Video Understanding [78.36929439152566]
本稿では,長いビデオからコンパクトだが情報に富んだフレームを選択可能なクエリ・アンド・コンテント・アウェア(QCA)選択フレームワークを提案する。
QCAは最もクエリ関連性の高いフレームにアンカーし、クエリのセマンティックな関連性を維持しながら、多様性を最大化するために追加のフレームを反復的に組み込む。
我々の方法は追加のトレーニングを必要とせず、既存のVideo-LLMにシームレスに統合できる。
論文 参考訳（メタデータ） (2026-07-01T14:19:24Z) - Frames2LoRA: Parametric Video Internalization for Vision-Language Models [52.46510577817688]
Frames2LoRAはパラメトリックビデオ内部化の手法である。
知覚者ハイパーネットワークは、層ごとに生成された中間表現を読み出し、凍結されたVLMがビデオをエンコードする。
ローランド適応 (LoRA) アダプタを1つのフォワードパスで生成する。
論文 参考訳（メタデータ） (2026-06-03T02:07:35Z) - Question-Aware Evidence Ledgers for Video Relational Reasoning [49.15616982043187]
我々は,強力なGPT-5.5ビデオQA解決器と疑似エビデンス台帳のセットを中心に構築されたテスト時間推論パイプラインを提案する。
パイプラインは92.95%の総合精度と93.79%のマクロ精度を達成した。
論文 参考訳（メタデータ） (2026-06-01T17:18:03Z) - Adaptive Dense Evidence Refinement for Video Relational Reasoning for VRR-QA Challenge [15.724849094439987]
本稿では,適応型テスト時間計算を中心に構築された推論のみのシステムを提案する。
システムはまず、各質問に直接ビデオ言語モデルパスで答え、続いて複数の軽量ビューを使用して不安定な質問を見つける。
テストスプリットでは、最終システムは90.07平均精度と87.81マクロ平均精度を得る。
論文 参考訳（メタデータ） (2026-05-31T08:45:06Z) - HERBench: A Benchmark for Multi-Evidence Integration in Video Question Answering [13.370338205427911]
HERBenchはビデオQAのベンチマークで、時間をかけてマルチエビデンス統合を評価する。
HERBenchは、12の合成タスクで構成された26Kの5方向の多重選択質問で構成されている。
我々は、HERBenchが以前のデータセットよりもかなり高い需要を課していることを示す。
論文 参考訳（メタデータ） (2025-12-16T19:34:47Z) - 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) - MAGNET: A Multi-agent Framework for Finding Audio-Visual Needles by Reasoning over Multi-Video Haystacks [67.31276358668424]
AV-HaystacksQAという新しいタスクを導入し、クエリに応答して、異なるビデオにまたがる有能なセグメントを識別し、それらをリンクして最も有意義な回答を生成する。
AVHaystacksは、マルチビデオ検索および時間的グラウンドタスクにおけるLMMの能力を評価するために設計された3100の注釈付きQAペアからなるオーディオビジュアルベンチマークである。
提案するAVHaystackのQAタスクにおけるBLEU@4およびGPT評価スコアの基準値よりも89%と65%の相対的な改善を実現し、モデルに依存しないマルチエージェントフレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-08T06:34:29Z) - Learning Temporally Consistent Video Depth from Video Diffusion Priors [62.36887303063542]
本研究は,ストリーム映像深度推定の課題に対処する。
フレームやクリップ間でコンテキスト情報を共有することは、時間的一貫性を育む上で重要である、と我々は主張する。
本稿では,任意の長さの動画に対して一貫したコンテキスト認識学習と推論戦略を提案し,クロスクリップなコンテキストを提供する。
論文 参考訳（メタデータ） (2024-06-03T16:20:24Z)
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。