arXiv cs.CV、Event-STVG発表 長尺動画イベント推論でMLLMに新課題
arXiv cs.CVは2026年10月15日(現地時間)、自然言語クエリに基づく空間時間動画接地 (Spatio-Temporal Video Grounding: STVG) の新たな課題として「Event-STVG」を提唱する論文を発表した。従来のSTVGベンチマークがインスタンス固有の記述による目標特定に限定されていたのに対し、Event-STVGは長尺コンテキスト、反復イベント推論、イベント特定、役割推論、マルチターゲット接地を統合し、イベントレベルの複雑な推論に焦点を当てる。研究者らは、このタスクのためにサッカーを含む8つのドメインにわたる4,016件の注釈付きイベントで構成される大規模なベンチマークを構築した。