論文の概要: Long-to-Short Video Evidence Reasoning for Grounded Question Answering
- arxiv url: http://arxiv.org/abs/2609.15224v1
- Date: Mon, 14 Sep 2026 08:43:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:06.193024
- Title: Long-to-Short Video Evidence Reasoning for Grounded Question Answering
- Title（参考訳）: 地上質問応答のための長短ビデオエビデンス推論
- Abstract要約: LOVERは、既存の強化学習ベースのビデオ推論モデルに対する3つのイノベーションを強調している。
Time-R1上に構築されたLoverは、人気の高いGQAベンチマークであるNExT-GQAとReXTimeのオープンソースモデルの間で、新たな最先端結果を実現している。
- 参考スコア（独自算出の注目度）: 22.18808808973094
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present LOVER, a \underline{L}ong to sh\underline{O}rt \underline{V}ideo \underline{E}vidence \underline{R}einforced model for grounded question answering (GQA). LOVER highlights three innovations over existing reinforcement-learning (RL) based video reasoning models: (1) \textbf{Long-to-short Video Evidence Curriculum Learning}, which organizes RL training according to evidence duration and progressively adapts the model from long-range grounding to short-term reasoning; (2) \textbf{GQA Rewards}, which underscore the benefit of IoP reward over IoU for evidence spotting rather than strict temporal span overlap; (3) \textbf{Adaptive Timestamp Rendering}, which adaptively renders timestamps onto video frames using background-aware position and color selection to enhance temporal observability. The three designs are model-agnostic and reciprocal. They effectively improve QA, grounding, and grounded QA performance over different backbones. Notably, LOVER built on Time-R1 achieves new state-of-the-art (SOTA) results among open-source models on popular GQA benchmarks: NExT-GQA and ReXTime. Comprehensive ablation studies further validate the effectiveness of our three innovative components.
- Abstract（参考訳）: 以下は LOVER, a \underline{L}ong to sh\underline{O}rt \underline{V}ideo \underline{E}vidence \underline{R}einforced model for grounded question answering (GQA) である。
LOVERは、既存の強化学習(RL)に基づくビデオ推論モデルに対する3つの革新を強調している。(1) 証拠に基づいてRLトレーニングを組織し、長期的根拠から短期的推論までモデルを段階的に適応する \textbf{Long-to-short Video Evidence Curriculum Learning} 、(2) 厳密な時間的スパンオーバーラップではなく証拠を見つけるためのIoUに対するIoP報酬の利点を基盤とした \textbf{GQA Rewards} 、(3) 時間的可観測性を高めるために背景認識と色選択を用いてタイムスタンプをビデオフレームに適応的に描画する \textbf{Adaptive Timestamp Rendering} 。
3つのデザインはモデルに依存しない。
それらは、異なるバックボーン上でのQA、接地、および接地されたQAパフォーマンスを効果的に改善する。
特に、Time-R1上に構築されたLOVERは、人気のあるGQAベンチマークであるNExT-GQAとReXTimeのオープンソースモデルにおいて、新しい最先端(SOTA)結果を達成する。
包括的アブレーション研究は、我々の3つの革新的な構成要素の有効性をさらに検証する。
関連論文リスト
- Evidence-Backed Video Question Answering [90.93225758130426]
既存の説明可能性の取り組みは、テキストの合理性やまばらなバウンディングボックスに依存している。
E-VQA(Evidence-Backed Video Question Answering)を提案する。
これをサポートするために,識別的および生成的画素レベルのグラウンド化のための最初の人為的検証ベンチマークST-Evidenceを導入する。
論文 参考訳（メタデータ） (2026-07-13T17:49:10Z) - TimeThink: Reasoning with Time for Video LLMs [28.549802513886046]
ビデオLLMにおける時間的エビデンス発見をガイドする強化学習フレームワークであるTimeThinkを提案する。
私たちのキーとなる考え方は、時間的手がかりステップをビデオ推論の基本的な最適化プリミティブとして扱うことです。
スケーラブルなトレーニングを実現するため,時間的エビデンスセグメントを自動的に抽出したデータセットであるTimeThink-RFT-20Kを構築した。
論文 参考訳（メタデータ） (2026-07-06T13:50:15Z) - SER: Learning to Ground Video Reasoning with Semantic Evidence Rewards [8.705689021755221]
制約されたタスクとしてRLを改革するためのセマンティックエビデンス・リワード(SER)を提案する。
ピクセルレベルのアノテーションを計算する代わりに、SERはVLMを拡張したレフェリーを使用してモデル生成のエビデンスのクレームを評価する。
VLMベンチマークでは、SERは49.6%を獲得し、強いエビデンスベースラインよりも3.0ポイント向上した。
論文 参考訳（メタデータ） (2026-06-23T15:50:33Z) - Find, Fix, Reason: Context Repair for Video Reasoning [45.021693494492666]
強化学習は、大規模なマルチモーダルモデルにおいて高度なビデオ推論を持つ。
凍結したツール統合された教師は、時間的依存の欠如を認識し、最小限のエビデンスパッチを提供する。
本稿では,正解による結果の妥当性と依存性の整合性という2つの目標に最適化を整合させるロバスト改善リワード(RIR)を提案する。
論文 参考訳（メタデータ） (2026-04-17T17:04:19Z) - VisionCoach: Reinforcing Grounded Video Reasoning via Visual-Perception Prompting [58.508924874097715]
VisonCoach は,(1) ビデオと質問に対して適切なプロンプト型を予測する Visual Prompt Selector と,(2) 視覚的プロンプトガイダンスとオブジェクトグラウンド報酬の下で RL で最適化された Spatio-Reasoner の2つのコンポーネントから構成される。
この結果から,トレーニング中の視覚的プロンプトが映像推論を改善するのに対し,注意散布センスは推論時にプロンプトを必要とせず,この能力を実現することが示唆された。
論文 参考訳（メタデータ） (2026-03-15T23:32:02Z) - Think with Grounding: Curriculum Reinforced Reasoning with Video Grounding for Long Video Understanding [38.87967229483403]
Video-TwGは、新しいThink-with-Groundingパラダイムを採用したカリキュラム強化フレームワークである。
Video-TwGは、複雑な補助モジュールや注釈付き推論トレースに頼ることなく、簡単にエンドツーエンドでトレーニングすることができる。
提案アルゴリズムは, 微粒な接地報酬, 自己確認擬似報酬, 精度保証機構を特徴とする。
論文 参考訳（メタデータ） (2026-02-21T03:16:23Z) - Factorized Learning for Temporally Grounded Video-Language Models [81.13591807802652]
ビデオ理解における2つの主要な要因(時間的接地とテキスト応答)は論理的階層を形成する。
この2つのタスクの学習を分離するフレームワークであるD$2$VLMを提案する。
論文 参考訳（メタデータ） (2025-12-30T09:13:20Z) - Open-o3 Video: Grounded Video Reasoning with Explicit Spatio-Temporal Evidence [70.2803680525165]
我々は、明示的な証拠をビデオ推論に統合する非エージェントフレームワークであるOpen-o3 Videoを紹介した。
このモデルは、キーオブジェクトとバウンディングボックスをその答えとともに強調し、推論を具体的な視覚的な観察で基礎付けることができる。
V-STARベンチマークでは、Open-o3 Videoは最先端のパフォーマンスを達成し、mAMを14.4%、mLタイムスタンプを24.2%向上させた。
論文 参考訳（メタデータ） (2025-10-23T14:05:56Z) - ReWatch-R1: Boosting Complex Video Reasoning in Large Vision-Language Models through Agentic Data Synthesis [48.22585028081581]
ReWatchは、高度なビデオ推論を促進するために構築された大規模なデータセットである。
本稿では,ReWatch-Caption,ReWatch-QA,ReWatch-CoTの3つのコンポーネントを合成するための新しい多段階合成パイプラインを提案する。
実験の結果,ReWatch-R1は5つの挑戦的ビデオ推論ベンチマークで最先端の平均性能を達成できた。
論文 参考訳（メタデータ） (2025-09-28T05:38:16Z) - Time-R1: Post-Training Large Vision Language Model for Temporal Video Grounding [57.26400319795876]
時間的ビデオグラウンディング(TVG)は、長めのビデオ理解における中核的な課題である。
近年のLVLM(Large Vision-Language Models)は,教師付き微調整によるTVG処理の早期実現を示唆している。
強化学習によるLVLMの一般化能力を高める新しいポストトレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2025-03-17T17:04:20Z) - Cross-modal Causal Relation Alignment for Video Question Grounding [44.97933293141372]
ビデオQG(Video question grounding)では、質問に答え、関連するビデオセグメントを同時に推論して回答をサポートする必要がある。
既存のビデオQG手法は、通常、急激な相互モーダルな相関に悩まされ、意図された問題と一致した支配的な視覚シーンを特定することに失敗する。
本稿では,CRA(Cross-modal Causal Relation Alignment)と呼ばれる新しいビデオQGフレームワークを提案する。
論文 参考訳（メタデータ） (2025-03-05T01:36:32Z) - STEP: Enhancing Video-LLMs' Compositional Reasoning by Spatio-Temporal Graph-guided Self-Training [87.58996020705258]
Video Large Language Models (Video-LLMs) は近年,ビデオ理解タスクに強い派生性を示している。
ビデオLLMは、多段階の明示的時間的推論を必要とする構成的推論と、オブジェクトの関係、相互作用、イベントに苦労する。
本稿では,ビデオLLMが生ビデオから推論に富んだ微調整データを生成し,自己改善を実現するための,グラフ誘導型自己学習手法STEPを提案する。
論文 参考訳（メタデータ） (2024-11-29T11:54:55Z) - Can I Trust Your Answer? Visually Grounded Video Question Answering [88.11169242115416]
本稿では,ビデオ言語理解のための事前学習技術を活用したビデオQAについて検討する。
NExT-GQA - NExT-QAの拡張で、10.5$K$の時間的グラウンドラベルを元のQAペアに結び付ける。
論文 参考訳（メタデータ） (2023-09-04T03:06:04Z) - Transform-Equivariant Consistency Learning for Temporal Sentence
Grounding [66.10949751429781]
ビデオ毎により差別的な表現を学習するために,新しい同変一貫性規則学習フレームワークを導入する。
私たちのモチベーションは、クエリ誘導アクティビティの時間的境界を一貫して予測することにある。
特に,ビデオの完全性と滑らか性を高めるために,自己教師付き一貫性損失モジュールを考案した。
論文 参考訳（メタデータ） (2023-05-06T19:29:28Z)
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。