Buchumschlag

Compositional 4D Dynamic Scenes Understanding with Physics Priors for Video Question Answering

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Xingrui, Ma, Wufei, Wang, Angtian, Chen, Shuo, Kortylewski, Adam, Yuille, Alan
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

NOVUM: Neural Object Volumes for Robust Object Classification
von: Jesslen, Artur, et al.
Veröffentlicht: (2023)

VoGE: A Differentiable Volume Renderer using Gaussian Ellipsoids for Analysis-by-Synthesis
von: Wang, Angtian, et al.
Veröffentlicht: (2022)

PASR: Pose-Aware 3D Shape Retrieval from Occluded Single Views
von: Shi, Jiaxin, et al.
Veröffentlicht: (2026)

ImageNet3D: Towards General-Purpose Object-Level 3D Understanding
von: Ma, Wufei, et al.
Veröffentlicht: (2024)

Learning a Category-level Object Pose Estimator without Pose Annotations
von: Tian, Fengrui, et al.
Veröffentlicht: (2024)

Spatial457: A Diagnostic Benchmark for 6D Spatial Reasoning of Large Multimodal Models
von: Wang, Xingrui, et al.
Veröffentlicht: (2025)

Generating Images with 3D Annotations Using Diffusion Models
von: Ma, Wufei, et al.
Veröffentlicht: (2023)

SpatialReasoner: Towards Explicit and Generalizable 3D Spatial Reasoning
von: Ma, Wufei, et al.
Veröffentlicht: (2025)

DINeMo: Learning Neural Mesh Models with no 3D Annotations
von: Guo, Weijie, et al.
Veröffentlicht: (2025)

A Bayesian Approach to OOD Robustness in Image Classification
von: Kaushik, Prakhar, et al.
Veröffentlicht: (2024)

HECTOR: Hybrid Editable Compositional Object References for Video Generation
von: Zhang, Guofeng, et al.
Veröffentlicht: (2026)

DIRECT-3D: Learning Direct Text-to-3D Generation on Massive Noisy 3D Data
von: Liu, Qihao, et al.
Veröffentlicht: (2024)

Rethinking Video-Text Understanding: Retrieval from Counterfactually Augmented Data
von: Ma, Wufei, et al.
Veröffentlicht: (2024)

Perceptual Taxonomy: Evaluating and Guiding Hierarchical Scene Reasoning in Vision-Language Models
von: Lee, Jonathan, et al.
Veröffentlicht: (2025)

4D-Animal: Freely Reconstructing Animatable 3D Animals from Videos
von: Zhong, Shanshan, et al.
Veröffentlicht: (2025)

TriDiff-4D: Fast 4D Generation through Diffusion-based Triplane Re-posing
von: Sheung, Eddie Pokming, et al.
Veröffentlicht: (2025)

Prompt-Based Exemplar Super-Compression and Regeneration for Class-Incremental Learning
von: Duan, Ruxiao, et al.
Veröffentlicht: (2023)

Source-Free and Image-Only Unsupervised Domain Adaptation for Category Level Object Pose Estimation
von: Kaushik, Prakhar, et al.
Veröffentlicht: (2024)

iNeMo: Incremental Neural Mesh Models for Robust Class-Incremental Learning
von: Fischer, Tom, et al.
Veröffentlicht: (2024)

3D Question Answering for City Scene Understanding
von: Sun, Penglei, et al.
Veröffentlicht: (2024)

Structure-Aware Sparse-View X-ray 3D Reconstruction
von: Cai, Yuanhao, et al.
Veröffentlicht: (2023)

SpatialLLM: A Compound 3D-Informed Design towards Spatially-Intelligent Large Multimodal Models
von: Ma, Wufei, et al.
Veröffentlicht: (2025)

Gaussian Scenes: Pose-Free Sparse-View Scene Reconstruction using Depth-Enhanced Diffusion Priors
von: Paul, Soumava, et al.
Veröffentlicht: (2024)

LychSim: A Controllable and Interactive Simulation Framework for Vision Research
von: Ma, Wufei, et al.
Veröffentlicht: (2026)

Geometry Matters: 3D Foundation Priors for Learning Semantic Correspondence
von: Jesslen, Artur, et al.
Veröffentlicht: (2026)

Semantic Flow: Learning Semantic Field of Dynamic Scenes from Monocular Videos
von: Tian, Fengrui, et al.
Veröffentlicht: (2024)

From Pixel to Cancer: Cellular Automata in Computed Tomography
von: Lai, Yuxiang, et al.
Veröffentlicht: (2024)

CRONOS: Benchmarking Counterfactual Physical Consistency in Video Models
von: Begiristain, León, et al.
Veröffentlicht: (2026)

Category-Level 3D Correspondence in Camera Space via Morphable Object Priors
von: Sommer, Leonhard, et al.
Veröffentlicht: (2026)

3DSRBench: A Comprehensive 3D Spatial Reasoning Benchmark
von: Ma, Wufei, et al.
Veröffentlicht: (2024)

SurgViVQA: Temporally-Grounded Video Question Answering for Surgical Scene Understanding
von: Drago, Mauro Orazio, et al.
Veröffentlicht: (2025)

Can These Views Be One Scene? Evaluating Multiview 3D Consistency when 3D Foundation Models Hallucinate
von: Paul, Soumava, et al.
Veröffentlicht: (2026)

Scene-Text Grounding for Text-Based Video Question Answering
von: Zhou, Sheng, et al.
Veröffentlicht: (2024)

TGT: Text-Grounded Trajectories for Locally Controlled Video Generation
von: Zhang, Guofeng, et al.
Veröffentlicht: (2025)

CG-Bench: Clue-grounded Question Answering Benchmark for Long Video Understanding
von: Chen, Guo, et al.
Veröffentlicht: (2024)

Embodied Intelligence for 3D Understanding: A Survey on 3D Scene Question Answering
von: Li, Zechuan, et al.
Veröffentlicht: (2025)

The Dynamic Prior: Understanding 3D Structures for Casual Dynamic Videos
von: Wu, Zhuoyuan, et al.
Veröffentlicht: (2025)

DSPNet: Dual-vision Scene Perception for Robust 3D Question Answering
von: Luo, Jingzhou, et al.
Veröffentlicht: (2025)

Unsupervised Learning of Category-Level 3D Pose from Object-Centric Videos
von: Sommer, Leonhard, et al.
Veröffentlicht: (2024)

DocVideoQA: Towards Comprehensive Understanding of Document-Centric Videos through Question Answering
von: Wang, Haochen, et al.
Veröffentlicht: (2025)