論文の概要: Summarize Before Grounding: Query-Guided Chunk Condensation for Long-Video Temporal Grounding

• arxiv url: http://arxiv.org/abs/2609.34598v1
• Date: Mon, 28 Sep 2026 08:32:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 12:02:37.432468
• Title: Summarize Before Grounding: Query-Guided Chunk Condensation for Long-Video Temporal Grounding
• Title（参考訳）: 接地前の要約:長時間ビデオの時間的接地のためのクエリガイド付きチャンク凝縮
• Abstract要約: ビデオ時間グラウンドは、言語クエリに対応するビデオ間隔をローカライズすることを目的としている。 長いビデオは、しばしば視覚言語モデルを妨げる大量の冗長な情報を含んでいる。 本稿では、長時間ビデオの時間的グラウンド化のための「グラウンド化」フレームワークについて要約する。
• 参考スコア（独自算出の注目度）: 18.761618756354864
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Video temporal grounding (VTG) aims to localize the video interval corresponding to a language query. Recent large vision-language models (LVLMs) show great potential in solving such a multi-modal reasoning task. However, long videos often contain large amounts of redundant information that disturbs LVLMs to mine query-relevant evidence. Instead of dense frame sampling which incurs prohibitive training memory, previous reinforcement learning with verifiable rewards (RLVR) works typically utilize sparse sampling, which makes training feasible but may miss critical evidence. In this paper, we propose a ``summarize before grounding'' framework (named ``SumGround'') for long-video temporal grounding. The key of SumGround is to perform query-guided chunk condensation to aggregate and retrieve query-relevant evidence. Specifically, we split the video into several chunks and perform two-level chunk condensation. First, we introduce query-guided latent summaries, which is represented as KV states of query-guided prompts, to compress redundant visual tokens into compact query-relevant chunk summaries. Furthermore, we design an associative summary retrieval scheme to rank and select chunk summaries that are most likely to contain the event interval. Both query-guided latent summary and associative summary retrieval schemes are enabled by RLVR. To reduce memory consumption, we propose a length-aware gradient gating module to selectively stop gradient back-propagated to visual tokens. Extensive experiments demonstrate that SumGround performs favorably against previous state-of-the-art methods across multiple downstream datasets, with remarkable gains on long videos.
• Abstract（参考訳）: ビデオ時間グラウンド(VTG)は、言語クエリに対応するビデオ間隔をローカライズすることを目的としている。 近年の大規模視覚言語モデル (LVLM) は、そのような多モーダル推論タスクを解く大きな可能性を示している。 しかし、長いビデオには大量の冗長な情報が含まれており、LVLMがクエリ関連証拠をマイニングすることを妨げている。 厳密なフレームサンプリングは、禁止的なトレーニング記憶を引き起こすが、以前の強化学習では、検証可能な報酬(RLVR)が通常スパースサンプリングを利用する。 本稿では,長時間の時間的接地のための<summarize before grounding'( ``SumGround'')フレームワークを提案する。 SumGroundの鍵は、クエリ関連エビデンスを集約して取得するために、クエリ誘導チャンク凝縮を実行することである。 具体的には、ビデオをいくつかのチャンクに分割し、2レベルのチャンク凝縮を行う。 まず、クエリ誘導プロンプトのKV状態として表現されるクエリ誘導ラテントサマリを導入し、冗長な視覚トークンをコンパクトなクエリ関連チャンクサマリに圧縮する。 さらに,イベント区間を含む可能性が最も高いチャンク要約をランク付けし,選択するための連想的な要約検索手法を設計する。 RLVRでは,問合せ誘導型潜在要約と連想的要約検索が可能である。 メモリ使用量を削減するため,視覚トークンにバックプロパゲーションされた勾配を選択的に停止する長さ対応勾配ゲーティングモジュールを提案する。 広範な実験により、SumGroundは、複数のダウンストリームデータセットにまたがる従来の最先端の手法に対して好意的に機能し、長いビデオで顕著な増加を示している。

関連論文リスト

• ReContext: Recursive Evidence Replay as LLM Harness for Long-Context Reasoning [78.94047086588078]
  長文推論のための LLM Harness として再帰的証拠を提案する。 長文推論を改善するための訓練不要推論法である。 128Kのコンテキスト長を持つ8つの長文データセットの実験は、エビデンスの利用を一貫して改善していることを示している。
  論文  参考訳（メタデータ） (2026-07-02T17:59:26Z)
• 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)
• Fewer Steps, Better Performance: Efficient Cross-Modal Clip Trimming for Video Moment Retrieval Using Language [60.91064560080974]
  本稿では,クエリ関連クリップをトリムするスポットVMRを提案する。 提案するSpotVMRは,最新のVMR手法の効率性を実現するプラグイン・アンド・プレイモジュールとして機能する。
  論文  参考訳（メタデータ） (2026-05-28T11:42:28Z)
• VideoDetective: Clue Hunting via both Extrinsic Query and Intrinsic Relevance for Long Video Understanding [40.699624658181456]
  VideoDetectiveは、長いビデオ質問応答において効果的な手がかり探しのために、クエリ・ツー・セグメンテーションの関連性とセグメンション間の親和性を統合するフレームワークである。 提案手法は,ビデオMME-longで最大7.5%の精度向上を実現し,MLLMの多種多様な性能向上を実現している。
  論文  参考訳（メタデータ） (2026-03-23T17:59:51Z)
• 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)
• Video Detective: Seek Critical Clues Recurrently to Answer Question from Long Videos [48.34455169866522]
  MLLMにおけるLong Video Question-Answering (LVQA) の課題 本稿では,これらの重要な手がかりをMLLMが繰り返し探すことのできる,効率的な質問認識メモリ機構を提案する。 提案手法では,コンテキスト長32KのMLLMを用いて,100Kトークン(3600フレーム,1時間ビデオの1fps)を効率よく処理し,メモリ使用時間は2分37GBである。
  論文  参考訳（メタデータ） (2025-12-19T04:29:07Z)
• 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)
• ViSMaP: Unsupervised Hour-long Video Summarisation by Meta-Prompting [29.049727807251084]
  ViSMapは、時間長ビデオをスーパービジョンなしで要約するシステムだ。 短いビデオ(注釈付きデータが豊富にある)と長いビデオ(そうでないもの)のギャップを埋めます。
  論文  参考訳（メタデータ） (2025-04-22T14:06:01Z)

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。