Buchumschlag

OmniVid: A Generative Framework for Universal Video Understanding

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Junke, Chen, Dongdong, Luo, Chong, He, Bo, Yuan, Lu, Wu, Zuxuan, Jiang, Yu-Gang
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

OmniTracker: Unifying Object Tracking by Tracking-with-Detection
von: Wang, Junke, et al.
Veröffentlicht: (2023)

OmniTokenizer: A Joint Image-Video Tokenizer for Visual Generation
von: Wang, Junke, et al.
Veröffentlicht: (2024)

VideoLoom: A Video Large Language Model for Joint Spatial-Temporal Understanding
von: Shi, Jiapeng, et al.
Veröffentlicht: (2026)

FluxMem: Adaptive Hierarchical Memory for Streaming Video Understanding
von: Xie, Yiweng, et al.
Veröffentlicht: (2026)

VidLaDA: Bidirectional Diffusion Large Language Models for Efficient Video Understanding
von: He, Zhihao, et al.
Veröffentlicht: (2026)

ExpVid: A Benchmark for Experiment Video Understanding & Reasoning
von: Xu, Yicheng, et al.
Veröffentlicht: (2025)

SimpleAR: Pushing the Frontier of Autoregressive Visual Generation through Pretraining, SFT, and RL
von: Wang, Junke, et al.
Veröffentlicht: (2025)

InternVid: A Large-scale Video-Text Dataset for Multimodal Understanding and Generation
von: Wang, Yi, et al.
Veröffentlicht: (2023)

REDUCIO! Generating 1K Video within 16 Seconds using Extremely Compressed Motion Latents
von: Tian, Rui, et al.
Veröffentlicht: (2024)

Daily-Omni: Towards Audio-Visual Reasoning with Temporal Alignment across Modalities
von: Zhou, Ziwei, et al.
Veröffentlicht: (2025)

EmoVid: A Multimodal Emotion Video Dataset for Emotion-Centric Video Understanding and Generation
von: Qiu, Zongyang, et al.
Veröffentlicht: (2025)

GenRec: Unifying Video Generation and Recognition with Diffusion Models
von: Weng, Zejia, et al.
Veröffentlicht: (2024)

StableAvatar: Infinite-Length Audio-Driven Avatar Video Generation
von: Tu, Shuyuan, et al.
Veröffentlicht: (2025)

Pix2Cap-COCO: Advancing Visual Comprehension via Pixel-Level Captioning
von: You, Zuyao, et al.
Veröffentlicht: (2025)

VidText: Towards Comprehensive Evaluation for Video Text Understanding
von: Yang, Zhoufaran, et al.
Veröffentlicht: (2025)

TempoMaster: Efficient Long Video Generation via Next-Frame-Rate Prediction
von: Ma, Yukuo, et al.
Veröffentlicht: (2025)

DeRA: Decoupled Representation Alignment for Video Tokenization
von: Guo, Pengbo, et al.
Veröffentlicht: (2025)

TextVidBench: A Benchmark for Long Video Scene Text Understanding
von: Zhong, Yangyang, et al.
Veröffentlicht: (2025)

OmniVDiff: Omni Controllable Video Diffusion for Generation and Understanding
von: Xi, Dianbing, et al.
Veröffentlicht: (2025)

DynaVid: Learning to Generate Highly Dynamic Videos using Synthetic Motion Data
von: Jin, Wonjoon, et al.
Veröffentlicht: (2026)

Learning Accurate Segmentation Purely from Self-Supervision
von: You, Zuyao, et al.
Veröffentlicht: (2026)

DCDM: Divide-and-Conquer Diffusion Models for Consistency-Preserving Video Generation
von: Zhao, Haoyu, et al.
Veröffentlicht: (2026)

Omni-Video: Democratizing Unified Video Understanding and Generation
von: Tan, Zhiyu, et al.
Veröffentlicht: (2025)

OmniTransfer: All-in-one Framework for Spatio-temporal Video Transfer
von: Zhang, Pengze, et al.
Veröffentlicht: (2026)

Rethinking Discrete Tokens: Treating Them as Conditions for Continuous Autoregressive Image Synthesis
von: Zheng, Peng, et al.
Veröffentlicht: (2025)

UniVid: The Open-Source Unified Video Model
von: Luo, Jiabin, et al.
Veröffentlicht: (2025)

Multi-Prompt Alignment for Multi-Source Unsupervised Domain Adaptation
von: Chen, Haoran, et al.
Veröffentlicht: (2022)

CaTok: Taming Mean Flows for One-Dimensional Causal Image Tokenization
von: Chen, Yitong, et al.
Veröffentlicht: (2026)

VidSketch: Hand-drawn Sketch-Driven Video Generation with Diffusion Control
von: Jiang, Lifan, et al.
Veröffentlicht: (2025)

O-MARC: Omni Memory-Augmented Compression Distillation for Efficient Video Understanding
von: Wu, Peiran, et al.
Veröffentlicht: (2026)

RoboOmni: Proactive Robot Manipulation in Omni-modal Context
von: Wang, Siyin, et al.
Veröffentlicht: (2025)

MagDiff: Multi-Alignment Diffusion for High-Fidelity Video Generation and Editing
von: Zhao, Haoyu, et al.
Veröffentlicht: (2023)

Learning to Rank Patches for Unbiased Image Redundancy Reduction
von: Luo, Yang, et al.
Veröffentlicht: (2024)

VidCompress: Memory-Enhanced Temporal Compression for Video Understanding in Large Language Models
von: Lan, Xiaohan, et al.
Veröffentlicht: (2024)

Attention Itself Could Retrieve.RetrieveVGGT: Training-Free Long Context Streaming 3D Reconstruction via Query-Key Similarity Retrieval
von: Zou, Zichen, et al.
Veröffentlicht: (2026)

GeoGS3D: Single-view 3D Reconstruction via Geometric-aware Diffusion Model and Gaussian Splatting
von: Feng, Qijun, et al.
Veröffentlicht: (2024)

Baton: Explicit Semantic Blueprints for Joint Video-Audio Generation
von: Tu, Shuyuan, et al.
Veröffentlicht: (2026)

Adaptive Retention & Correction: Test-Time Training for Continual Learning
von: Chen, Haoran, et al.
Veröffentlicht: (2024)

GenVidBench: A 6-Million Benchmark for AI-Generated Video Detection
von: Ni, Zhenliang, et al.
Veröffentlicht: (2025)

CoMP: Continual Multimodal Pre-training for Vision Foundation Models
von: Chen, Yitong, et al.
Veröffentlicht: (2025)