Buchumschlag

JM3D & JM3D-LLM: Elevating 3D Understanding with Joint Multi-modal Cues

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ji, Jiayi, Wang, Haowei, Wu, Changli, Ma, Yiwei, Sun, Xiaoshuai, Ji, Rongrong
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Beyond First Impressions: Integrating Joint Multi-modal Cues for Comprehensive 3D Representation
von: Wang, Haowei, et al.
Veröffentlicht: (2023)

3D-GRES: Generalized 3D Referring Expression Segmentation
von: Wu, Changli, et al.
Veröffentlicht: (2024)

Any-to-3D Generation via Hybrid Diffusion Supervision
von: Fan, Yijun, et al.
Veröffentlicht: (2024)

X-Dreamer: Creating High-quality 3D Content by Bridging the Domain Gap Between Text-to-2D and Text-to-3D Generation
von: Ma, Yiwei, et al.
Veröffentlicht: (2023)

RG-SAN: Rule-Guided Spatial Awareness Network for End-to-End 3D Referring Expression Segmentation
von: Wu, Changli, et al.
Veröffentlicht: (2024)

Multi-branch Collaborative Learning Network for 3D Visual Grounding
von: Qian, Zhipeng, et al.
Veröffentlicht: (2024)

3D-DRES: Detailed 3D Referring Expression Segmentation
von: Chen, Qi, et al.
Veröffentlicht: (2026)

IPDN: Image-enhanced Prompt Decoding Network for 3D Referring Expression Segmentation
von: Chen, Qi, et al.
Veröffentlicht: (2025)

X-Oscar: A Progressive Framework for High-quality Text-guided 3D Animatable Avatar Generation
von: Ma, Yiwei, et al.
Veröffentlicht: (2024)

Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation
von: Liu, Sihan, et al.
Veröffentlicht: (2023)

Exploring Phrase-Level Grounding with Text-to-Image Diffusion Model
von: Yang, Danni, et al.
Veröffentlicht: (2024)

SAM as the Guide: Mastering Pseudo-Label Refinement in Semi-Supervised Referring Expression Segmentation
von: Yang, Danni, et al.
Veröffentlicht: (2024)

CIR-CoT: Towards Interpretable Composed Image Retrieval via End-to-End Chain-of-Thought Reasoning
von: Lin, Weihuang, et al.
Veröffentlicht: (2025)

Beat: Bi-directional One-to-Many Embedding Alignment for Text-based Person Retrieval
von: Ma, Yiwei, et al.
Veröffentlicht: (2024)

MICON-Bench: Benchmarking and Enhancing Multi-Image Context Image Generation in Unified Multimodal Models
von: Wu, Mingrui, et al.
Veröffentlicht: (2026)

Image Captioning via Dynamic Path Customization
von: Ma, Yiwei, et al.
Veröffentlicht: (2024)

M4-BLIP: Advancing Multi-Modal Media Manipulation Detection through Face-Enhanced Local Analysis
von: Wu, Hang, et al.
Veröffentlicht: (2025)

Fast Text-to-3D-Aware Face Generation and Manipulation via Direct Cross-modal Mapping and Geometric Regularization
von: Zhang, Jinlu, et al.
Veröffentlicht: (2024)

$γ-$MoD: Exploring Mixture-of-Depth Adaptation for Multimodal Large Language Models
von: Luo, Yaxin, et al.
Veröffentlicht: (2024)

HRSeg: High-Resolution Visual Perception and Enhancement for Reasoning Segmentation
von: Lin, Weihuang, et al.
Veröffentlicht: (2025)

MLLM-Selector: Necessity and Diversity-driven High-Value Data Selection for Enhanced Visual Instruction Tuning
von: Ma, Yiwei, et al.
Veröffentlicht: (2025)

INF-LLaVA: Dual-perspective Perception for High-Resolution Multimodal Large Language Model
von: Ma, Yiwei, et al.
Veröffentlicht: (2024)

MVGGT: Multimodal Visual Geometry Grounded Transformer for Multiview 3D Referring Expression Segmentation
von: Wu, Changli, et al.
Veröffentlicht: (2026)

3DMIT: 3D Multi-modal Instruction Tuning for Scene Understanding
von: Li, Zeju, et al.
Veröffentlicht: (2024)

Evaluating and Analyzing Relationship Hallucinations in Large Vision-Language Models
von: Wu, Mingrui, et al.
Veröffentlicht: (2024)

MIHBench: Benchmarking and Mitigating Multi-Image Hallucinations in Multimodal Large Language Models
von: Li, Jiale, et al.
Veröffentlicht: (2025)

Mixed Degradation Image Restoration via Local Dynamic Optimization and Conditional Embedding
von: Gu, Yubin, et al.
Veröffentlicht: (2024)

Cue3D: Quantifying the Role of Image Cues in Single-Image 3D Generation
von: Li, Xiang, et al.
Veröffentlicht: (2025)

Global2Local: A Joint-Hierarchical Attention for Video Captioning
von: Dai, Chengpeng, et al.
Veröffentlicht: (2022)

Fast3D: Accelerating 3D Multi-modal Large Language Models for Efficient 3D Scene Understanding
von: Huang, Wencan, et al.
Veröffentlicht: (2025)

Inst3D-LMM: Instance-Aware 3D Scene Understanding with Multi-modal Instruction Tuning
von: Yu, Hanxun, et al.
Veröffentlicht: (2025)

I2EBench: A Comprehensive Benchmark for Instruction-based Image Editing
von: Ma, Yiwei, et al.
Veröffentlicht: (2024)

PixDLM: A Dual-Path Multimodal Language Model for UAV Reasoning Segmentation
von: Ke, Shuyan, et al.
Veröffentlicht: (2026)

Dual3D: Efficient and Consistent Text-to-3D Generation with Dual-mode Multi-view Latent Diffusion
von: Li, Xinyang, et al.
Veröffentlicht: (2024)

DQ3D: Depth-guided Query for Transformer-Based 3D Object Detection in Traffic Scenarios
von: Wang, Ziyu, et al.
Veröffentlicht: (2025)

Delving into Dynamic Scene Cue-Consistency for Robust 3D Multi-Object Tracking
von: Zhang, Haonan, et al.
Veröffentlicht: (2025)

Director3D: Real-world Camera Trajectory and 3D Scene Generation from Text
von: Li, Xinyang, et al.
Veröffentlicht: (2024)

A Survey on 3D Gaussian Splatting Applications: Segmentation, Editing, and Generation
von: He, Shuting, et al.
Veröffentlicht: (2025)

JADE: Joint-aware Latent Diffusion for 3D Human Generative Modeling
von: Ji, Haorui, et al.
Veröffentlicht: (2024)

DeOcc-1-to-3: 3D De-Occlusion from a Single Image via Self-Supervised Multi-View Diffusion
von: Qu, Yansong, et al.
Veröffentlicht: (2025)