Fugu-MT 論文翻訳(概要): Video Evidence Indexing: Learning Where to Look from Video Previews for Token-Budgeted Long-Video Question Answering

論文の概要: Video Evidence Indexing: Learning Where to Look from Video Previews for Token-Budgeted Long-Video Question Answering

arxiv url: http://arxiv.org/abs/2610.00757v1
Date: Wed, 30 Sep 2026 21:51:16 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-03 01:19:23.788206
Title: Video Evidence Indexing: Learning Where to Look from Video Previews for Token-Budgeted Long-Video Question Answering
Title（参考訳）: ビデオエビデンスインデクシング:Token-Budgeted Long-Video Question Answeringのビデオプレビューから学ぶ
Abstract要約: 長ビデオ質問応答は、視覚トークンの高コストと、現在のVLMの固定コンテキスト幅によって制限される。最終推論のためのコンパクトな高解像度エビデンス・セットを構築するためのトークン予算ビデオエビデンス・インデクシング(VEI)を提案する。実験により,ビデオエビデンス指標は限られた視覚的予算の下で精度を向上し,自己蒸留はQA精度と時間的エビデンスローカライゼーションの両方を改善することが示された。
参考スコア（独自算出の注目度）: 11.616632944994059
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Long-video question answering is limited by the high cost of visual tokens and by the fixed context width of current VLMs. A long-video question may require broad temporal coverage, but the answer is often supported by only a compact set of moments. To locate these moments efficiently, we propose token-budgeted Video Evidence Indexing (VEI): given a dense low-resolution Video Preview, the model constructs a compact high-resolution Evidence Set for final reasoning. We treat VEI as a policy that must jointly solve \textit{evidence localization}, which finds question-relevant moments, and \textit{budget planning}, which decides where to spend the limited high-resolution frame budget. We implement this idea with an inference pipeline: the Video Preview provides cheap global coverage, Video Evidence Indexing constructs the Evidence Set, and Answer Generation combines both inputs for final VQA. To address missing frame-level supervision, we adopt privileged self-distillation, where an answer-aware teacher guides the normal test-time policy on student-generated indexing traces. We explore previews at 1, 6, 12, and 24 visual tokens per frame, training a single policy that supports all four resolutions. Experiments show that Video Evidence Indexing improves accuracy under limited visual budgets, and self-distillation further improves both QA accuracy and temporal evidence localization.
Abstract（参考訳）: 長ビデオ質問応答は、視覚トークンの高コストと、現在のVLMの固定コンテキスト幅によって制限される。長いビデオの質問は、広範囲の時間的カバレッジを必要とするかもしれないが、答えはしばしば、コンパクトな瞬間によってのみ支持される。これらの瞬間を効率的に見つけるために,トークン予算によるビデオエビデンスインデックス(VEI)を提案し,高解像度ビデオプレビューが与えられた場合,最終的な推論のためにコンパクトな高解像度エビデンスセットを構築する。我々はVEIを,質問関連モーメントを見つける「textit{evidence Localization}」と,限られた高解像度フレーム予算をどこで使うかを決定する「textit{budget Planning}」を共同で解決しなければならない政策として扱う。ビデオプレビューは安価なグローバルカバレッジを提供し、ビデオエビデンスインデックスはエビデンスセットを構築し、Answer Generationは最終的なVQAのために両方のインプットを組み合わせる。フレームレベルの不足に対処するために,教師が生徒が生成する索引付けトレースに対する通常のテストタイムポリシーを指導する特権的自己蒸留を採用する。プレビューを1フレームあたり1,6,12,24のビジュアルトークンで探索し,4つの解像度すべてをサポートする単一のポリシをトレーニングします。実験により,ビデオエビデンス指標は限られた視覚的予算の下で精度を向上し,自己蒸留はQA精度と時間的エビデンスローカライゼーションの両方を改善することが示された。

関連論文リスト

VideoScout: Learning Agentic Active Exploration with Adaptive Reasoning Pacing for Long Video Understanding [61.00809248898572]
ロングビデオ理解(英: Long video understanding)とは、エージェントが時間軸に沿って回転してビデオを読み取る問題である。適応推論によるSEAパラダイムをインスタンス化するマルチターン推論エージェントである textbfVideoScout を提案する。長いビデオ理解と推論のベンチマーク実験により、我々の7Bモデルは、既存の訓練された7Bエージェントモデルと比較して、強い性能を発揮することが示された。
論文参考訳（メタデータ） (2026-09-14T14:04:03Z)
QSVideo: Query-Conditioned Semantic Temporal Retrieval for Video Understanding [31.789999490173255]
ビデオ理解の重要な要素としてマルチモーダル検索が登場している。既存のマルチモーダル検索手法は, 偏りのある関係推定, 限られた多様性, 時間的崩壊に悩まされている。ビデオ検索における関連性,多様性,時間的モデリングに対処する統合フレームワークQSVideoを提案する。
論文参考訳（メタデータ） (2026-07-06T00:19:42Z)
VideoSEAL: Mitigating Evidence Misalignment in Agentic Long Video Understanding by Decoupling Answer Authority [10.961731621875918]
長いビデオの質問応答には、非常に冗長なコンテンツの中で、スパースでタイムインスペクションされた視覚的証拠を見つける必要がある。既存のLVUエージェントが「エビデンスミスアライメント」を提示できることを示す。本稿では,画素レベルの検証において,解答権限とゲートの最終的な解答とを分離した分離型プランナー・フレームワークを提案する。
論文参考訳（メタデータ） (2026-05-12T10:37:49Z)
VTAgent: Agentic Keyframe Anchoring for Evidence-Aware Video TextVQA [42.454642585543446]
ビデオテキストベースの視覚的質問応答 (Video TextVQA) は、ビデオに現れる視覚的テキストコンテンツについて推論することで質問に答えることを目的としている。そこで本研究では,回答の前に関連事項を明示的にアンカーする質問誘導型エージェントフレームワークを提案する。本研究は,ビデオテキストVQAの進行において,明示的なアンカーが重要な役割を担っていることを明らかにする。
論文参考訳（メタデータ） (2026-05-06T13:01:52Z)
Video-Oasis: Rethinking Evaluation of Video Understanding [20.076100437038313]
ビデオ理解は、パフォーマンス向上が視覚的知覚、言語的推論、あるいは知識事前に起因するかどうかを判断するのは難しい。ビデオ理解のための既存の評価と蒸留時間課題を評価するための診断スイートである Video-Oasis を提供する。分析の結果,(1)既存のベンチマークサンプルの54%は視覚的入力や時間的文脈を使わずに解決可能であること,(2)残りのサンプルでは,最先端のモデルではランダムな推測以上の性能を示すことが判明した。
論文参考訳（メタデータ） (2026-03-31T11:37:42Z)
SeViCES: Unifying Semantic-Visual Evidence Consensus for Long Video Understanding [36.30263540665245]
本稿では,効果的で信頼性の高いロングビデオ理解のためのフレームワークを提案する。 SeViCESはトレーニング不要でモデルに依存しない2つの重要なコンポーネントを導入している。長いビデオ理解ベンチマークの実験によると、SeViCESは精度と堅牢性の両方で最先端の手法を一貫して上回っている。
論文参考訳（メタデータ） (2025-10-23T14:55:28Z)
VideoEspresso: A Large-Scale Chain-of-Thought Dataset for Fine-Grained Video Reasoning via Core Frame Selection [61.54044967253421]
空間的詳細と時間的コヒーレンスを保持するビデオQAペアを特徴とする,新しいデータセットであるVideoEspressoを紹介する。 GPT-4o を用いた QA ペア生成にあたり, 冗長性を抑えるためにセマンティック・アウェア法を用いて構成パイプラインを構築した。フレームセレクタと2段階の命令微調整推論LVLMを備えたハイブリッドLVLM協調フレームワークを提案する。
論文参考訳（メタデータ） (2024-11-22T08:33:36Z)
LvBench: A Benchmark for Long-form Video Understanding with Versatile Multi-modal Question Answering [49.68215536040896]
LvBenchは多目的なマルチモーダル質問応答のための長文ビデオ理解ベンチマークである。ビデオは70秒から4時間で、シングルシーン、マルチシーン、フルシーンのコンテキストをカバーしています。本データセットは、慎重に選択された100本の映画から得られた20,061組の質問応答対からなる。
論文参考訳（メタデータ） (2023-12-08T03:33:38Z)
Locate before Answering: Answer Guided Question Localization for Video Question Answering [70.38700123685143]
LocAnsは質問ロケータと回答予測器をエンドツーエンドモデルに統合する。最新の2つのビデオQAデータセットで最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2022-10-05T08:19:16Z)

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。