Copertina

OmniTokenizer: A Joint Image-Video Tokenizer for Visual Generation

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Wang, Junke, Jiang, Yi, Yuan, Zehuan, Peng, Binyue, Wu, Zuxuan, Jiang, Yu-Gang
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

OmniVid: A Generative Framework for Universal Video Understanding
di: Wang, Junke, et al.
Pubblicazione: (2024)

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

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

UniTok: A Unified Tokenizer for Visual Generation and Understanding
di: Ma, Chuofan, et al.
Pubblicazione: (2025)

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

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

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

TokenFlow: Unified Image Tokenizer for Multimodal Understanding and Generation
di: Qu, Liao, et al.
Pubblicazione: (2024)

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

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

DeepStack: Deeply Stacking Visual Tokens is Surprisingly Simple and Effective for LMMs
di: Meng, Lingchen, et al.
Pubblicazione: (2024)

Groma: Localized Visual Tokenization for Grounding Multimodal Large Language Models
di: Ma, Chuofan, et al.
Pubblicazione: (2024)

Visual Autoregressive Modeling: Scalable Image Generation via Next-Scale Prediction
di: Tian, Keyu, et al.
Pubblicazione: (2024)

A Glimpse to Compress: Dynamic Visual Token Pruning for Large Vision-Language Models
di: Zeng, Quan-Sheng, et al.
Pubblicazione: (2025)

OmniLottie: Generating Vector Animations via Parameterized Lottie Tokens
di: Yang, Yiying, et al.
Pubblicazione: (2026)

Omni-RGPT: Unifying Image and Video Region-level Understanding via Token Marks
di: Heo, Miran, et al.
Pubblicazione: (2025)

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

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

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

Cubic Discrete Diffusion: Discrete Visual Generation on High-Dimensional Representation Tokens
di: Wang, Yuqing, et al.
Pubblicazione: (2026)

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

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

InfinityStar: Unified Spacetime AutoRegressive Modeling for Visual Generation
di: Liu, Jinlai, et al.
Pubblicazione: (2025)

CreatiLayout: Siamese Multimodal Diffusion Transformer for Creative Layout-to-Image Generation
di: Zhang, Hui, et al.
Pubblicazione: (2024)

Autoregressive Model Beats Diffusion: Llama for Scalable Image Generation
di: Sun, Peize, et al.
Pubblicazione: (2024)

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

Vision Foundation Models as Effective Visual Tokenizers for Autoregressive Image Generation
di: Zheng, Anlin, et al.
Pubblicazione: (2025)

Importance-Based Token Merging for Efficient Image and Video Generation
di: Wu, Haoyu, et al.
Pubblicazione: (2024)

NativeTok: Native Visual Tokenization for Improved Image Generation
di: Wu, Bin, et al.
Pubblicazione: (2026)

Generative Refinement Networks for Visual Synthesis
di: Han, Jian, et al.
Pubblicazione: (2026)

UniToken: Harmonizing Multimodal Understanding and Generation through Unified Visual Encoding
di: Jiao, Yang, et al.
Pubblicazione: (2025)

Factorized Visual Tokenization and Generation
di: Bai, Zechen, et al.
Pubblicazione: (2024)

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

Vision Foundation Models as Generalist Tokenizers for Image Generation
di: Zheng, Anlin, et al.
Pubblicazione: (2026)

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

AID: Adapting Image2Video Diffusion Models for Instruction-guided Video Prediction
di: Xing, Zhen, et al.
Pubblicazione: (2024)

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

Video-KTR: Reinforcing Video Reasoning via Key Token Attribution
di: Wang, Ziyue, et al.
Pubblicazione: (2026)

TokensGen: Harnessing Condensed Tokens for Long Video Generation
di: Ouyang, Wenqi, et al.
Pubblicazione: (2025)

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