論文の概要: Less from More: Reinforcing Sparse Video Reasoning from Dense References
- arxiv url: http://arxiv.org/abs/2610.10893v1
- Date: Wed, 07 Oct 2026 20:51:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:53.670175
- Title: Less from More: Reinforcing Sparse Video Reasoning from Dense References
- Title（参考訳）: Sparse Video Reasoning(動画)
- Abstract要約: SAVERは、密集したビデオビューをスパースフレーム推論のトレーニング時間参照として使用する、密集した訓練後のフレームワークである。
私たちは、SAVERがフレーム予算をまたいだパフォーマンスを継続的に改善していることを示します。
これらの結果から, 時間的グラウンドディングは, スパースビデオ推論の学習に有効なエビデンス・ローカライゼーション・プロキシとして有効であることが示唆された。
- 参考スコア（独自算出の注目度）: 54.08422547695236
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Video-language models commonly assume that more temporal observations lead to more reliable reasoning. We question this assumption and argue that the key challenge is not merely processing more video frames efficiently, but learning to reason reliably under limited temporal evidence. We propose SAVER, a dense-to-sparse post-training framework that uses dense video views as training-time references for sparse-frame inference. During reinforcement post-training, paired dense and sparse views are optimized with grounding rewards and a reliability-gated reference reward, encouraging sparse view predictions to preserve task-relevant temporal evidence. Notably, SAVER is trained only on 1,250 randomly sampled temporal grounding examples, without using any video question answering annotations. Across three temporal grounding benchmarks and six video question-answering benchmarks, SAVER consistently improves performance across frame budgets. In particular, SAVER can match or surpass dense-frame Qwen3.5 baselines while using substantially fewer frames. These results show that temporal grounding can serve as an effective evidence-localization proxy for learning sparse video reasoning that transfers to broader video understanding tasks.
- Abstract（参考訳）: ビデオ言語モデルは一般的に、より時間的観察がより信頼性の高い推論をもたらすと仮定する。
この仮定に疑問を呈し、重要な課題は、より多くのビデオフレームを効率的に処理するだけでなく、限られた時間的証拠の下で確実に理性を学ぶことだと論じる。
そこで我々は,疎フレーム推論のための訓練時間参照として,濃密なビデオビューを用いた深層学習後学習フレームワークSAVERを提案する。
強化後訓練において, 密集度と疎視度は, 接地報酬と信頼性の高い基準報酬で最適化され, タスク関連時間的証拠を保存するための疎視予測が奨励される。
特に、SAVERはビデオ質問応答アノテーションを使わずに、ランダムにサンプリングされた時間的グラウンドの例でのみトレーニングされている。
3つの時間的グラウンドベンチマークと6つのビデオ質問回答ベンチマークで、SAVERはフレーム予算全体のパフォーマンスを一貫して改善している。
特にSAVERは、より少ないフレームを使用しながら、高密度フレームのQwen3.5ベースラインにマッチまたは超過することができる。
これらの結果から、時間的接地は、より広い映像理解タスクに移行するスパースビデオ推論を学習するための効果的なエビデンス・ローカライズ・プロキシとして機能することが示された。
関連論文リスト
- Where to Look Matters: On-Policy Self-Distillation for Long-Video Understanding [43.28973351947568]
ビデオが長くなるにつれて、フルビデオのコンテキストは必然的に、より質問に無関係な時間的コンテンツを含んでいる。
質問関連エビデンスを含む短い注釈付き手掛かり区間に視覚入力を集中させることで、予測精度が一貫して向上することが実証された。
本稿では,長期ビデオ理解のための自己蒸留フレームワークClue-OPSDを紹介する。
論文 参考訳（メタデータ） (2026-08-26T04:23:21Z) - 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) - Reasoning as Intersection: Consensus-Frame Alignment for Visual Focus in Video-MLLMs [81.04673240949074]
強化学習は、大規模言語モデルの推論能力を改善した。
結果のみの報酬をビデオマルチモーダルな大規模言語モデルに適用することは、どの視覚的証拠が答えを支持するべきかを限定的なガイダンスを提供する。
本稿では,エビデンス対応ビデオ推論のための時間アノテーションフリープロセスレベル報酬フレームワークであるConsensus Frame GRPOを紹介する。
論文 参考訳（メタデータ） (2026-06-16T19:42:54Z) - VideoZeroBench: Probing the Limits of Video MLLMs with Spatio-Temporal Evidence Verification [73.02304272829785]
VideoBenchは、証拠を厳格に検証する長ビデオ応答のための階層的なベンチマークだ。
これは、13のドメインに500の注釈付き質問を手動で記述し、時間間隔と空間境界ボックスを組み合わせて証拠とする。
GeminiPro-3-Proでさえ、標準のエンドツーエンドのQA設定で17%未満の質問に正しく答えている。
その結果,表面レベルでの回答の正しさと真正な証拠に基づく推論との間に大きなギャップが生じた。
論文 参考訳（メタデータ） (2026-04-02T03:29:43Z) - VideoTemp-o3: Harmonizing Temporal Grounding and Video Understanding in Agentic Thinking-with-Videos [44.23732277782877]
長時間の理解では、一様フレームサンプリングはしばしば重要な視覚的証拠を捉えず、性能が低下し幻覚が増大する。
最近のエージェント思考とビデオのパラダイムが出現し、ローカライズ・クリップ・アンサー・パイプラインが採用されている。
我々は,ビデオグラウンドと質問応答を共同でモデル化する統合型エージェント思考・ビデオフレームワークであるVideoTemp-o3を提案する。
論文 参考訳（メタデータ） (2026-02-08T03:45:50Z) - 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) - Video-LLMs with Temporal Visual Screening [59.18455762289321]
テンポラル・ビジュアル・スクリーニング (TVS) はビデオ質問応答とチューニングデータを処理する新しいタスクである。
TVSは、ビデオインストラクションチューニング(トレーニング)とビデオ質問回答(推論)パイプラインの両方にシームレスに統合可能な、モジュール化されたフロントエンドアダプタタスクとして定式化されている。
実験により、TVSを取り入れた場合、相対利得は7.33%(トレーニング)、34.6%(推論)となることが示された。
論文 参考訳（メタデータ） (2025-08-27T14:33:32Z) - TAR-TVG: Enhancing VLMs with Timestamp Anchor-Constrained Reasoning for Temporal Video Grounding [28.79516973256083]
時間的ビデオグラウンディングは、自然言語クエリに対応するビデオセグメントを正確にローカライズすることを目的としている。
テンポラルビデオグラウンド(TAR-TVG)のためのタイムスタンプアンカー制約推論を提案する。
TAR-TVGは、思考内容の明示的な監督を強制するために、推論プロセス内にタイムスタンプアンカーを導入する。
論文 参考訳（メタデータ） (2025-08-11T06:59:32Z)
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。