論文の概要: MoCKEFA: Model-Conditioned Keyframe Extraction and Fair Attribution for Video Model Explanation
- arxiv url: http://arxiv.org/abs/2610.25075v1
- Date: Sun, 18 Oct 2026 07:31:44 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-10-20 22:28:37.615554
- Title: MoCKEFA: Model-Conditioned Keyframe Extraction and Fair Attribution for Video Model Explanation
- Title（参考訳）: MoCKEFA:ビデオモデル記述のためのモデル記述型キーフレーム抽出とフェアアトリビューション
- Abstract要約: ビデオに対する特定のモデルの信念を犠牲にすることなく、ビデオがわずか数個で表現できることを示します。
本手法は,モデルが予測した条件を抽出する最初の手法である。
次に、理論上はフェアリー値を持つShaps間で、ビデオの重要性をモデルに公平に分配する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: We show that a video can be represented with just a few keyframes without sacrificing a given model's belief about the video. Our method is the first of its kind that extracts these keyframes conditioned on the model's prediction, which is massively helpful for building explainable video models. We then fairly distribute the importance of the video to the model among the keyframes with game theoretically fair Shapley values. Through qualitative and quantitative experiments, we show that keyframe attribution is superior to the traditional frame attribution. Further, we conduct preliminary exploration on highlighting the important changes among the frames by looking at the differences between adjacent keyframes.
- Abstract（参考訳）: ビデオに対する特定のモデルの信念を犠牲にすることなく、ビデオがほんの数個のキーフレームで表現できることを示します。
提案手法は,これらのキーフレームをモデル予測に基づいて抽出する最初の手法であり,説明可能なビデオモデルの構築に非常に有用である。
次に、理論的に公平なShapley値を持つキーフレーム間のモデルに、ビデオの重要性を公平に分配する。
定性的かつ定量的な実験を通して、キーフレームの属性は従来のフレームの属性よりも優れていることを示す。
さらに,隣接するキーフレーム間の差異を調べた結果,フレーム間の重要な変化の強調について予備調査を行った。
関連論文リスト
- KeyFrame-Compass: Towards Comprehensive Evaluation of Keyframe-Conditioned Video Generation [25.29345016590953]
ビデオ生成は、より粒度の細かい合成に基づく合成に依存しており、クリエーターは参照画像のシーケンスをガイド生成に指定する。
近年のモデルはマルチキー・コンディショニングをサポートしているが、ビデオ全体の品質を維持しながら、規定を忠実に再現できるかどうかは不明だ。
我々は、合成に基づくビデオ生成を評価するための、最初の総合的なベンチマークであるKeyFrameを紹介する。
論文 参考訳（メタデータ） (2026-07-15T17:46:12Z) - Frame Context Packing and Drift Prevention in Next-Frame-Prediction Video Diffusion Models [63.99949971803903]
ビデオ生成のための次フレーム(または次フレーム)予測モデルをトレーニングするためのニューラルネットワーク構造であるFramePackを提案する。
FramePackは入力フレームコンテキストをフレーム単位の重要度で圧縮し、より多くのフレームを固定されたコンテキスト長内にエンコードする。
既存のビデオ拡散モデルをFramePackで微調整できることを示し、異なるパッキングスケジュールの違いを分析する。
論文 参考訳（メタデータ） (2025-04-17T04:02:31Z) - Adaptive Keyframe Sampling for Long Video Understanding [75.7837692594814]
本稿では、適応鍵フレームサンプリング(AKS)という、単純だが効果的なアルゴリズムを提案する。
これはAdaptive Keyframe Sampling (AKS)と呼ばれるプラグインとプレイモジュールを挿入し、ビデオトークンの固定数で有用な情報を最大化することを目的としている。
2つの長いビデオ理解ベンチマークの実験は、AKSが情報的出会いを選択する際にビデオQA精度を改善することを検証する。
論文 参考訳（メタデータ） (2025-02-28T17:46:29Z) - Generative Inbetweening: Adapting Image-to-Video Models for Keyframe Interpolation [60.27691946892796]
本稿では,一対の入力キーフレーム間のコヒーレントな動きで映像列を生成する手法を提案する。
実験の結果,本手法は既存の拡散法と従来のフレーム技術の両方に優れることがわかった。
論文 参考訳（メタデータ） (2024-08-27T17:57:14Z) - Self-Adaptive Sampling for Efficient Video Question-Answering on Image--Text Models [41.12711820047315]
ビデオ理解モデルは通常、フレームやクリップの集合をランダムにサンプリングする。
本稿では,最多領域フレーム (MDF) と最多命令フレーム (MIF) の2つのフレームサンプリング手法を提案する。
論文 参考訳（メタデータ） (2023-07-09T14:54:30Z) - Let's Think Frame by Frame with VIP: A Video Infilling and Prediction
Dataset for Evaluating Video Chain-of-Thought [62.619076257298204]
我々は、少数のビデオ推論のシーケンシャルな理解として、フレーミングビデオ推論を動機付けている。
VIPは、ビデオチェーンオブ思考を通してモデルの推論能力を調べるために設計された、推論時の課題データセットである。
我々は、VIP上でGPT-4、GPT-3、VICUNAをベンチマークし、複雑なビデオ推論タスクのパフォーマンスギャップを実証し、今後の作業を促進する。
論文 参考訳（メタデータ） (2023-05-23T10:26:42Z)
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。