論文の概要: Kairos: A Dataset for Fine-Grained Video-Language Modeling over Space, Time, and Dynamics
- arxiv url: http://arxiv.org/abs/2609.08755v1
- Date: Tue, 08 Sep 2026 13:50:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.671622
- Title: Kairos: A Dataset for Fine-Grained Video-Language Modeling over Space, Time, and Dynamics
- Title（参考訳）: Kairos: 空間,時間,ダイナミクスを超越した細粒度ビデオ言語モデリングのためのデータセット
- Abstract要約: 時間分解アノテーションを用いたビデオ言語モデリングのためのビデオデータセットであるKairosを紹介する。
カイロスは10分から30分に及ぶ長編のビデオで構成され、微妙な時間的アライメントで注釈付けされている。
- 参考スコア（独自算出の注目度）: 72.11325009788095
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many emerging video language modeling tasks require systems to move beyond clip-level abstraction and model visual content as it unfolds over extended time horizons. However, most existing video datasets rely on coarse or sparsely aligned supervision, which compresses temporal variation and limits the ability of models to learn reusable representations of continuous visual dynamics. We introduce Kairos, a video dataset for video-language modeling with time-resolved annotations. Kairos consists of long-duration videos, ranging from ten minutes to half an hour, annotated with fine-grained temporal alignment. The annotations capture ongoing actions, entity appearances and attributes, interactions, and evolving contextual cues along the video timeline. This time-resolved structure supports fine-grained evaluation, long-range modeling and reasoning, instruction data construction, representation learning, and video generation. Kairos provides a general-purpose foundation for modeling visual experiences over time.
- Abstract（参考訳）: 多くの新しいビデオ言語モデリングタスクは、クリップレベルの抽象化を超えて、拡張時間の地平線を越えて展開する視覚コンテンツをモデル化するシステムを必要とする。
しかし、既存のほとんどのビデオデータセットは、時間的変動を圧縮し、連続的な視覚力学の再利用可能な表現を学習するモデルの能力を制限する、粗いまたは緩やかな調整に依存している。
時間分解アノテーションを用いたビデオ言語モデリングのためのビデオデータセットであるKairosを紹介する。
カイロスは10分から30分に及ぶ長編のビデオで構成され、微妙な時間的アライメントで注釈付けされている。
アノテーションは、進行中のアクション、エンティティの外観と属性、インタラクション、およびビデオタイムラインに沿って進化するコンテキストキューをキャプチャする。
この時間分解構造は、きめ細かい評価、長距離モデリングと推論、命令データ構築、表現学習、ビデオ生成をサポートする。
Kairosは、視覚的体験を時間とともにモデル化するための汎用的な基盤を提供する。
関連論文リスト
- VideoThinker: Building Agentic VideoLLMs with LLM-Guided Tool Reasoning [36.3278051400066]
VideoThinker(ビデオシンカー)は、人工ツールの相互作用の軌跡を完全に訓練したエージェント型ビデオ大言語モデルである。
私たちのキーとなるアイデアは、動画をリッチキャプションに変換し、強力なエージェント言語モデルを使用して、キャプション空間における多段階ツール使用シーケンスを生成することです。
この合成エージェントデータセットのトレーニングでは、動的推論能力、適応的時間探索、多段階ツールの使用などを備えたVideoThinkerが利用できる。
論文 参考訳（メタデータ） (2026-01-22T07:47:29Z) - AlcheMinT: Fine-grained Temporal Control for Multi-Reference Consistent Video Generation [58.844504598618094]
本稿では、被験者駆動ビデオ生成のための明示的なタイムスタンプ条件付きフレームワークAlcheMinTを提案する。
提案手法では,時間間隔の符号化を解き放つ新しい位置符号化機構を導入する。
我々は、視覚的アイデンティティとビデオキャプションの結合を強化するために、主観記述型テキストトークンを導入し、世代間あいまいさを緩和する。
論文 参考訳（メタデータ） (2025-12-11T18:59:34Z) - Harnessing Synthetic Preference Data for Enhancing Temporal Understanding of Video-LLMs [54.502280390499756]
我々はTimeWarpを提案し、モデルからの応答を微調整し、与えられた入力ビデオにフォーカスするよう促すために、ターゲットとなる合成時間データセットを作成する。
提案手法を既存モデルに適用すると,時間的理解ベンチマークの性能が大幅に向上することが実証された。
論文 参考訳（メタデータ） (2025-10-04T21:48:40Z) - Universal Video Temporal Grounding with Generative Multi-modal Large Language Models [59.781211641591405]
本稿では,自然言語クエリに基づいて映像中の時間的モーメントを正確に局所化する,ユニバーサルビデオ時間的グラウンドの計算モデルを提案する。
生成型マルチモーダル大言語モデル(MLLM)の強力な視覚言語理解機能を活用した,堅牢で普遍的なビデオグラウンドモデルUniTimeを提案する。
我々のモデルは、複雑な言語クエリを解釈しながら、多様なビュー、ジャンル、長さの動画を効果的に処理する。
論文 参考訳（メタデータ） (2025-06-23T17:53:18Z) - StoryDiffusion: Consistent Self-Attention for Long-Range Image and Video Generation [117.13475564834458]
本稿では,一貫性自己注意という新たな自己注意計算手法を提案する。
提案手法を長距離ビデオ生成に拡張するために,新しい意味空間時間運動予測モジュールを導入する。
これら2つの新しいコンポーネントを統合することで、StoryDiffusionと呼ばれるフレームワークは、一貫した画像やビデオでテキストベースのストーリーを記述することができます。
論文 参考訳（メタデータ） (2024-05-02T16:25:16Z) - Learning Fine-Grained Visual Understanding for Video Question Answering
via Decoupling Spatial-Temporal Modeling [28.530765643908083]
空間的時間的モデリングを分離し、画像とビデオ言語を統合して、きめ細かい視覚的理解を学習する。
本稿では,ビデオシーケンス中の事象の時間的位置を特定することを必要とする,新たな事前学習対象であるテンポラル参照モデリングを提案する。
我々のモデルは、桁違いの大きなデータセットで事前訓練された以前の作業より優れています。
論文 参考訳（メタデータ） (2022-10-08T07:03:31Z) - Generating Long Videos of Dynamic Scenes [66.56925105992472]
本稿では、物体の動きを再現する映像生成モデル、カメラ視点の変化、時間とともに現れる新しいコンテンツについて述べる。
よくある障害ケースは、コンテンツが時間的一貫性を提供する誘導バイアスに過度に依存するため、決して変化しないことです。
論文 参考訳（メタデータ） (2022-06-07T16:29:51Z)
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。