論文の概要: Event-STVG: Spatio-Temporal Video Grounding for Long-Form Event Reasoning

• arxiv url: http://arxiv.org/abs/2610.22444v1
• Date: Thu, 15 Oct 2026 15:13:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.597263
• Title: Event-STVG: Spatio-Temporal Video Grounding for Long-Form Event Reasoning
• Title（参考訳）: Event-STVG:長期イベント推論のための時空間ビデオグラウンド
• Abstract要約: Event-STVGは、STVGが記述されているものの位置をイベントレベルの推論に移行するタスクである。 サッカーにおける4,016件の注釈付きイベントと7つの追加ドメインからなるベンチマークを構築した。 最先端のMLLMを用いた実験では、最強のモデルでは10分間の地平線で5.4% m-vIoUしか達成できなかった。
• 参考スコア（独自算出の注目度）: 42.65897764995479
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatio-Temporal Video Grounding (STVG) aims to jointly localize a target in space and time given a natural-language query. Despite continued advances, existing STVG benchmarks remain largely centered on localizing targets through instance-specific descriptions, leaving them largely decoupled from long-form reasoning increasingly emphasized in multimodal large language models (MLLMs). In this paper, we introduce Event-STVG, a task that shifts STVG from locating what is described toward event-level reasoning by unifying long-form context, repeated-event reasoning, event localization, role inference, and multi-target grounding. To facilitate research on Event-STVG, we construct a large-scale benchmark comprising 4,016 annotated event occurrences across soccer and seven additional domains. Experiments with state-of-the-art MLLMs reveal substantial difficulty, with the strongest model achieving only 5.4% m-vIoU at the 10-minute horizon. Across domains, we consistently observe confusion among repeated same-type events, spatial grounding bottlenecks, and rare success in jointly grounding all required roles. Event-STVG establishes a new challenge for visual understanding in MLLMs, calling for future models that can jointly reason about complex events across space and time. Code and annotations are available at https://github.com/THU-KEG/EventSTVG
• Abstract（参考訳）: Spatio-Temporal Video Grounding (STVG) は、自然言語クエリを与えられた空間と時間でターゲットを共同でローカライズすることを目的としている。 継続的な進歩にもかかわらず、既存のSTVGベンチマークは、主にインスタンス固有の記述を通じてターゲットをローカライズすることに集中しており、主にマルチモーダルな大規模言語モデル (MLLM) でますます強調される長期的推論から切り離されている。 本稿では,STVGをイベントレベルの推論に切り替えるタスクであるEvent-STVGを紹介する。これは,長期的コンテキストの統合,反復イベント推論,イベントローカライゼーション,ロール推論,マルチターゲットグラウンド化などによって,STVGが記述するものをイベントレベルの推論に置き換えるタスクである。 イベント・STVGの研究を容易にするため,サッカーにおける4,016件の注釈付きイベントと7つの追加ドメインからなる大規模ベンチマークを構築した。 最先端のMLLMを用いた実験では、最強のモデルでは10分間の地平線で5.4% m-vIoUしか達成できなかった。 ドメイン全体にわたって、繰り返し同じタイプのイベント間の混乱、空間的接地ボトルネック、そして必要な全ての役割を共同で基礎づけることに稀な成功を一貫して観察する。 Event-STVGはMLLMにおける視覚的理解のための新しい課題を確立し、空間と時間にわたる複雑なイベントを共同で推論できる将来のモデルを求めている。 コードとアノテーションはhttps://github.com/THU-KEG/EventSTVGで入手できる。

関連論文リスト

• Conditional Multi-Event Temporal Grounding in Long-Form Video [19.941856770065854]
  既存のベンチマークは、クエリ毎に1つのモーメントだけをローカライズするか、時間的条件なしでカウントするか、グラウンドとカウントを非結合タスクとして扱います。 我々は,CoMET-Bench for Multi-Event Temporal Grounding in long-form video, includes 2789 query over 600 video a averageging 33.8 minutes across 5 real-world domain。 提案するCoMET-Agentは,F1@0.5をGPT-5より6.1%改善し,構造化検索・集約としてタスクを再構築するフリーエージェントフレームワークである。
  論文  参考訳（メタデータ） (2026-06-13T14:27:58Z)
• EventFlash: Towards Efficient MLLMs for Event-Based Vision [55.65520031675231]
  イベントベースのマルチモーダル言語モデル(LMLM)は、高速・低照度シナリオにおける堅牢な認識を可能にする。 EventMindは、500k以上の命令セットを備えた大規模でシーンのさまざまなデータセットです。 本稿では、時間的トークンを適応的に圧縮する効率的な時間的サンプリングのための適応時間的ウィンドウアグリゲーションモジュールを提案する。 EventFlashはイベントベースのビジョンの効率的な基盤モデルであると考えています。
  論文  参考訳（メタデータ） (2026-02-03T08:06:45Z)
• EventBench: Towards Comprehensive Benchmarking of Event-based MLLMs [53.41154446399572]
  EventBenchは8つのタスクメトリクスと大規模なイベントストリームデータセットを提供するベンチマークである。 我々は、GPT-5やGemini-2.5 Proのような最先端のクローズドソースモデル、Qwen2.5-VLやInternVL3といったオープンソースモデル、EventGPTのようなイベントベースのMLLMを評価した。
  論文  参考訳（メタデータ） (2025-11-23T13:39:01Z)
• LET-US: Long Event-Text Understanding of Scenes [23.376693904132786]
  イベントカメラは、マイクロ秒レベルの時間分解能を備えたスパースで非同期なデータとしてイベントストリームを出力する。 長いイベントストリーム・テキスト理解のためのフレームワークであるLET-USを紹介する。 適応圧縮機構を用いて、重要な視覚的詳細を保存しながら入力イベントの量を削減する。
  論文  参考訳（メタデータ） (2025-08-10T16:02:41Z)
• SpaceVLLM: Endowing Multimodal Large Language Model with Spatio-Temporal Video Grounding Capability [58.46310813774538]
  大規模言語モデル (LMLM) は時間的あるいは空間的局所化において顕著な進歩を遂げた。 しかし、彼らは時間的なビデオグラウンドの実行に苦慮している。 この制限は2つの大きな課題に起因している。 時間的ビデオグラウンドティングを具備したMLLMVLであるSpaceLMを紹介する。
  論文  参考訳（メタデータ） (2025-03-18T07:40:36Z)
• EventVL: Understand Event Streams via Multimodal Large Language Model [29.23525787969373]
  明示的意味理解のためのイベントベースMLLMフレームワークであるEventVLを提案する。 具体的には、異なるモダリティセマンティクスを接続するためにデータギャップをブリッジするために、まず大きなイベントイメージ/ビデオテキストデータセットに注釈を付ける。 よりコンパクトなセマンティック空間を促進するために、イベントのスパースなセマンティック空間を改善するために動的セマンティックアライメントが導入される。
  論文  参考訳（メタデータ） (2025-01-23T14:37:21Z)
• Grounding Partially-Defined Events in Multimodal Data [61.0063273919745]
  部分定義イベントに対するマルチモーダル定式化を導入し、これらのイベントの抽出を3段階スパン検索タスクとしてキャストする。 このタスクのベンチマークであるMultiVENT-Gを提案し,22.8Kのラベル付きイベント中心エンティティを含む,14.5時間の高密度アノテーション付き現在のイベントビデオと1,168のテキストドキュメントからなる。 結果は、イベント理解の抽象的な課題を示し、イベント中心のビデオ言語システムにおける約束を実証する。
  論文  参考訳（メタデータ） (2024-10-07T17:59:48Z)

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。