Newest papers

GazeLens for Efficient Egocentric Video Question Answering with Simple Gaze-Driven Adaptive Token Reduction

Trong-Thang Pham, Anh Nguyen, Hien Van Nguyen, Ngan Le · 2026 · arXiv

DOI: 10.48550/arXiv.2610.28502 · open-access PDF

Russian

Умные очки могут помочь пользователям понять их деятельность и окружающую среду, но небольшие модели языка зрения должны сохранять полезные доказательства в пределах ограниченного вычисления. Это трудно, потому что избыточные рамки потребляют визуальный бюджет, в то время как агрессивная пространственная компрессия может отбросить соответствующие детали. Хотя взгляд идентифицирует фокус носителя, вопрос может потребовать доказательств из окружающей сцены. Чтобы решить эти ограничения, мы предлагаем GazeLens, который сочетает в себе подбор рамки с уменьшением токенов с помощью взгляда и вопроса. Во-первых, переходы HOG и резкость изображения выбирают рамки

Machine translation (Meta M2M100); the English original follows.

Abstract

Smart glasses can help users understand their activities and surroundings, but small vision-language models must preserve useful evidence within limited computation. This is difficult because redundant frames consume the visual budget, while aggressive spatial compression can discard relevant details. Although gaze identifies the wearer's focus, the question may require evidence from the surrounding scene. To address these constraints, we propose GazeLens, which combines frame selection with gaze- and question-guided token reduction. First, HOG transitions and image sharpness select frames bef

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange