Copertina

Learning Long-form Video Prior via Generative Pre-Training

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Xie, Jinheng, Feng, Jiajun, Tian, Zhaoxu, Lin, Kevin Qinghong, Huang, Yawen, Xia, Xi, Gong, Nanxu, Zuo, Xu, Yang, Jiaqi, Zheng, Yefeng, Shou, Mike Zheng
Natura:	Preprint
Pubblicazione:	2024
Soggetti:	Computer Vision and Pattern Recognition
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

VLog: Video-Language Models by Generative Retrieval of Narration Vocabulary
di: Lin, Kevin Qinghong, et al.
Pubblicazione: (2025)

Paper2Video: Automatic Video Generation from Scientific Papers
di: Zhu, Zeyu, et al.
Pubblicazione: (2025)

Code2Video: A Code-centric Paradigm for Educational Video Generation
di: Chen, Yanzhe, et al.
Pubblicazione: (2025)

Show-o2: Improved Native Unified Multimodal Models
di: Xie, Jinheng, et al.
Pubblicazione: (2025)

Learning Video Context as Interleaved Multimodal Sequences
di: Lin, Kevin Qinghong, et al.
Pubblicazione: (2024)

Soap2Soap: Long Cinematic Video Remaking via Multi-Agent Collaboration
di: Song, Yiren, et al.
Pubblicazione: (2026)

Think or Not? Selective Reasoning via Reinforcement Learning for Vision-Language Models
di: Wang, Jiaqi, et al.
Pubblicazione: (2025)

MovieBench: A Hierarchical Movie Level Dataset for Long Video Generation
di: Wu, Weijia, et al.
Pubblicazione: (2024)

VideoMind: A Chain-of-LoRA Agent for Temporal-Grounded Video Reasoning
di: Liu, Ye, et al.
Pubblicazione: (2025)

ShowUI-$π$: Flow-based Generative Models as GUI Dexterous Hands
di: Hu, Siyuan, et al.
Pubblicazione: (2025)

X-ray Insights Unleashed: Pioneering the Enhancement of Multi-Label Long-Tail Data
di: Yang, Xinquan, et al.
Pubblicazione: (2025)

COSMO: COntrastive Streamlined MultimOdal Model with Interleaved Pre-Training
di: Wang, Alex Jinpeng, et al.
Pubblicazione: (2024)

WMAdapter: Adding WaterMark Control to Latent Diffusion Models
di: Ci, Hai, et al.
Pubblicazione: (2024)

Long-Context Autoregressive Video Modeling with Next-Frame Prediction
di: Gu, Yuchao, et al.
Pubblicazione: (2025)

FocusUI: Efficient UI Grounding via Position-Preserving Visual Token Selection
di: Ouyang, Mingyu, et al.
Pubblicazione: (2026)

Dynamically Masked Discriminator for Generative Adversarial Networks
di: Zhang, Wentian, et al.
Pubblicazione: (2023)

Show-o: One Single Transformer to Unify Multimodal Understanding and Generation
di: Xie, Jinheng, et al.
Pubblicazione: (2024)

Bootstrapping SparseFormers from Vision Foundation Models
di: Gao, Ziteng, et al.
Pubblicazione: (2023)

VideoGUI: A Benchmark for GUI Automation from Instructional Videos
di: Lin, Kevin Qinghong, et al.
Pubblicazione: (2024)

TPDiff: Temporal Pyramid Video Diffusion Model
di: Ran, Lingmin, et al.
Pubblicazione: (2025)

SAM-I2V: Upgrading SAM to Support Promptable Video Segmentation with Less than 0.2% Training Cost
di: Mei, Haiyang, et al.
Pubblicazione: (2025)

GameWorld: Towards Standardized and Verifiable Evaluation of Multimodal Game Agents
di: Ouyang, Mingyu, et al.
Pubblicazione: (2026)

Impossible Videos
di: Bai, Zechen, et al.
Pubblicazione: (2025)

K-Space-Aware Cross-Modality Score for Synthesized Neuroimage Quality Assessment
di: Xie, Guoyang, et al.
Pubblicazione: (2023)

VideoLLM-online: Online Video Large Language Model for Streaming Video
di: Chen, Joya, et al.
Pubblicazione: (2024)

VideoLLM-MoD: Efficient Video-Language Streaming with Mixture-of-Depths Vision Computation
di: Wu, Shiwei, et al.
Pubblicazione: (2024)

PANDA: Towards Generalist Video Anomaly Detection via Agentic AI Engineer
di: Yang, Zhiwei, et al.
Pubblicazione: (2025)

EVOLVE-VLA: Test-Time Training from Environment Feedback for Vision-Language-Action Models
di: Bai, Zechen, et al.
Pubblicazione: (2025)

X-Humanoid: Robotize Human Videos to Generate Humanoid Videos at Scale
di: Yang, Pei, et al.
Pubblicazione: (2025)

Computer-Use Agents as Judges for Generative User Interface
di: Lin, Kevin Qinghong, et al.
Pubblicazione: (2025)

World-VLA-Loop: Closed-Loop Learning of Video World Model and VLA Policy
di: Liu, Xiaokang, et al.
Pubblicazione: (2026)

P-Flow: Prompting Visual Effects Generation
di: Zhao, Rui, et al.
Pubblicazione: (2026)

D-AR: Diffusion via Autoregressive Models
di: Gao, Ziteng, et al.
Pubblicazione: (2025)

Ego-centric Predictive Model Conditioned on Hand Trajectories
di: Zhang, Binjie, et al.
Pubblicazione: (2025)

Mitty: Diffusion-based Human-to-Robot Video Generation
di: Song, Yiren, et al.
Pubblicazione: (2025)

VISTA: Triplet-Supervised Video Style Transfer with Diffusion Transformers
di: Song, Yiren, et al.
Pubblicazione: (2026)

SP-SLAM: Neural Real-Time Dense SLAM With Scene Priors
di: Hong, Zhen, et al.
Pubblicazione: (2025)

RobotSeg: A Model and Dataset for Segmenting Robots in Image and Video
di: Mei, Haiyang, et al.
Pubblicazione: (2025)

StreamingEffect: Real-Time Human-Centric Video Effect Generation
di: Song, Yiren, et al.
Pubblicazione: (2026)

CTNeRF: Cross-Time Transformer for Dynamic Neural Radiance Field from Monocular Video
di: Miao, Xingyu, et al.
Pubblicazione: (2024)