論文の概要: Agentic Video Understanding: A Survey

• arxiv url: http://arxiv.org/abs/2609.31713v1
• Date: Mon, 21 Sep 2026 02:58:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 13:34:21.320713
• Title: Agentic Video Understanding: A Survey
• Title（参考訳）: Agentic Video Understanding: A Survey
• Abstract要約: 本調査では,映像を主要な情報源とする映像理解エージェントについて検討する。 まず、ビデオ理解のためのエージェントループを形式化し、次に中心的な疑問に対処する。 我々は、状態空間のパラダイム、学習パラダイム、監視信号、ベンチマーク、評価プロトコルについてレビューする。
• 参考スコア（独自算出の注目度）: 23.341776402255448
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As large language models (LLMs) become capable of processing increasingly diverse modalities and longer temporal contexts, an emerging line of work is moving beyond fixed video-language inference toward agentic systems that actively decide what information to inspect, retain, verify, and act upon. This survey reviews video understanding agents: systems that use video as the primary information source and solve understanding tasks through adaptive state construction and action selection. We first formalize an agent loop for video understanding, then address a central question: why do agents matter for video understanding? To answer this, we organize the literature through a challenge-to-design taxonomy, linking context bottlenecks to hierarchical evidence memory, evidence sparsity to active evidence acquisition, temporal causality to state and process tracking, and multimodal ambiguity to role-specialized coordination. We further review state space paradigms, learning paradigms, supervision signals, benchmarks, and evaluation protocols. Finally, we identify open directions toward agentic-native temporal modeling and video-native agents. Project page: https://github.com/DXY0711/Awesome-Agentic-Video-Understanding
• Abstract（参考訳）: 大規模言語モデル(LLM)がますます多様なモダリティや時間的文脈を処理できるようになるにつれ、新たな作業ラインは固定されたビデオ言語推論を超えて、どの情報を検査、保持、検証、実行すべきかを積極的に決定するエージェントシステムへと移行しつつある。 本調査では,映像を主情報源として利用し,適応的な状態構築と行動選択によって理解課題を解決する,映像理解エージェントについてレビューする。 まず、ビデオ理解のためのエージェントループを形式化し、次に中心的な疑問に対処する。 これに対応するために、我々は、文脈ボトルネックを階層的な証拠記憶にリンクし、エビデンスを活発な証拠獲得に、時間的因果関係を状態とプロセス追跡に、そしてマルチモーダルのあいまいさを役割特化コーディネートに結びつけて、文献を整理する。 さらに、状態空間のパラダイム、学習パラダイム、監視信号、ベンチマーク、評価プロトコルについてレビューする。 最後に,エージェント・ネイティブ・テンポラル・モデリングとビデオ・ネイティブ・エージェントに対するオープンな方向を特定する。 プロジェクトページ:https://github.com/DXY0711/Awesome-Agentic-Video-Understanding

関連論文リスト

• SVAgent: Storyline-Guided Long Video Understanding via Cross-Modal Multi-Agent Collaboration [6.451186120567798]
  VideoQAは、ビデオシーケンスの複雑なダイナミクスをキャプチャするために、空間的、時間的、意味的な情報を統合する必要がある、困難なタスクである。 本稿では,ビデオQAのためのストーリーライン誘導型クロスモーダルマルチエージェントフレームワークであるSVAgentを提案する。 実験により,SVAgentは映像理解において人間のようなストーリーライン推論をエミュレートすることにより,優れた性能と解釈性を実現することが示された。
  論文  参考訳（メタデータ） (2026-04-06T18:30:50Z)
• LensWalk: Agentic Video Understanding by Planning How You See in Videos [45.81048261339695]
  我々はLensWalkを紹介した。LensWalkは、大規模言語モデル推論器が自身の視覚的観察を積極的に制御できるようにするフレキシブルなエージェントフレームワークである。 LensWalkは、エージェントが各ステップで、観察するビデオの時間的スコープとサンプリング密度を動的に特定する、厳密な理由-計画-観測ループを確立する。
  論文  参考訳（メタデータ） (2026-03-25T17:38:54Z)
• Think, Then Verify: A Hypothesis-Verification Multi-Agent Framework for Long Video Understanding [25.82963105515627]
  VideoHV-Agentは、構造化仮説検証プロセスとしてビデオ質問応答を再構成するフレームワークである。 ビデオHV-Agentは,解釈性の向上,論理的音質の向上,計算コストの低減を実現し,最先端の精度を実現する。
  論文  参考訳（メタデータ） (2026-03-05T09:16:07Z)
• Watching, Reasoning, and Searching: A Video Deep Research Benchmark on Open Web for Agentic Video Reasoning [32.71093573332936]
  VideoDRは、オープンウェブ環境でビデオエージェントを研究するための最初のビデオディープリサーチベンチマークである。 VideoDRは、ビデオ条件付きオープンドメインのビデオ質問応答、クロスフレームの視覚的アンカー抽出、インタラクティブなWeb検索、共同ビデオとWebのエビデンスに対するマルチホップ推論などに焦点を当てている。
  論文  参考訳（メタデータ） (2026-01-11T15:07:37Z)
• Video-BrowseComp: Benchmarking Agentic Video Research on Open Web [64.53060049124961]
  Video-BrowseCompは、オープンウェブのエージェントによるビデオ推論に適した210の質問からなるベンチマークである。 これは時間的視覚的証拠に必須に依存しており、回答はテキスト検索のみでは導き出せないことを保証している。 初のオープンWebビデオ調査ベンチマークとして、Video-BrowseCompは、受動的知覚を越えて、プロアクティブなビデオ推論へと分野を前進させた。
  論文  参考訳（メタデータ） (2025-12-28T19:08:27Z)
• LongVideoAgent: Multi-Agent Reasoning with Long Videos [69.28914905197426]
  本稿では,主LLMが問題関連セグメントの局所化のために接地エージェントをコーディネートするマルチエージェントフレームワークと,対象とするテキスト観察を抽出する視覚エージェントを提案する。 マスターエージェントは、ステップ制限で計画し、簡潔で正確で効率的なマルチエージェント協調を促進するために強化学習で訓練されている。 テレビQA/TVQA+から集約したエピソードレベルのデータセットであるLongTVQAとLongTVQA+では,マルチエージェントシステムは強力な非エージェントベースラインよりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-12-23T18:59:49Z)
• CAViAR: Critic-Augmented Video Agentic Reasoning [90.48729440775223]
  より複雑なビデオ推論を行うために、知覚能力を利用することができますか? 我々は,ビデオモジュールをサブエージェントやツールとして利用できる大規模言語モデルエージェントを開発した。 我々は,我々のエージェントと批評家の組み合わせが,データセット上で高い性能を達成することを示す。
  論文  参考訳（メタデータ） (2025-09-09T17:59:39Z)
• Deep Video Discovery: Agentic Search with Tool Use for Long-form Video Understanding [60.88843818016968]
  長時間のビデオ理解は時間空間の複雑さと質問応答の難しさによって大きな課題を呈する。 セグメント化されたビデオクリップ上でのエージェント検索戦略を活用するために,Deep Video Discovery (DVD) エージェントを提案する。 当社のDVDエージェントは,LVBenchデータセット上での最先端性能を実現し,74.2%の精度を実現した。
  論文  参考訳（メタデータ） (2025-05-23T16:37:36Z)
• A Challenge to Build Neuro-Symbolic Video Agents [5.243155799248514]
  ニューロシンボリック・パースペクティブは、どのように解釈可能性を高め、構造化推論を可能にし、システム行動に対するより強力な保証を提供するかを示す。 我々は,次世代のインテリジェントビデオエージェントの開発という,研究コミュニティに大きな課題を提示する。 これらの柱に対処することで、受動的知覚から、推論、予測、行動を行うインテリジェントなビデオエージェントへの移行が可能になります。
  論文  参考訳（メタデータ） (2025-05-20T02:53:21Z)

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。