Copertina

VIMI: Grounding Video Generation through Multi-modal Instruction

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Fang, Yuwei, Menapace, Willi, Siarohin, Aliaksandr, Chen, Tsai-Shien, Wang, Kuan-Chien, Skorokhodov, Ivan, Neubig, Graham, Tulyakov, Sergey
Natura:	Preprint
Pubblicazione:	2024
Soggetti:	Computer Vision and Pattern Recognition Artificial Intelligence Computation and Language
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

Hierarchical Patch Diffusion Models for High-Resolution Video Generation
di: Skorokhodov, Ivan, et al.
Pubblicazione: (2024)

Mind the Time: Temporally-Controlled Multi-Event Video Generation
di: Wu, Ziyi, et al.
Pubblicazione: (2024)

Multi-subject Open-set Personalization in Video Generation
di: Chen, Tsai-Shien, et al.
Pubblicazione: (2025)

Snap Video: Scaled Spatiotemporal Transformers for Text-to-Video Synthesis
di: Menapace, Willi, et al.
Pubblicazione: (2024)

Dynamic Concepts Personalization from Single Videos
di: Abdal, Rameen, et al.
Pubblicazione: (2025)

Improving Progressive Generation with Decomposable Flow Matching
di: Haji-Ali, Moayed, et al.
Pubblicazione: (2025)

DenseDPO: Fine-Grained Temporal Preference Optimization for Video Diffusion Models
di: Wu, Ziyi, et al.
Pubblicazione: (2025)

AlphaFlow: Understanding and Improving MeanFlow Models
di: Zhang, Huijie, et al.
Pubblicazione: (2025)

AC3D: Analyzing and Improving 3D Camera Control in Video Diffusion Transformers
di: Bahmani, Sherwin, et al.
Pubblicazione: (2024)

AV-Link: Temporally-Aligned Diffusion Features for Cross-Modal Audio-Video Generation
di: Haji-Ali, Moayed, et al.
Pubblicazione: (2024)

AlcheMinT: Fine-grained Temporal Control for Multi-Reference Consistent Video Generation
di: Girish, Sharath, et al.
Pubblicazione: (2025)

Improving the Diffusability of Autoencoders
di: Skorokhodov, Ivan, et al.
Pubblicazione: (2025)

H3AE: High Compression, High Speed, and High Quality AutoEncoder for Video Diffusion Models
di: Wu, Yushu, et al.
Pubblicazione: (2025)

4Real-Video: Learning Generalizable Photo-Realistic 4D Video Diffusion
di: Wang, Chaoyang, et al.
Pubblicazione: (2024)

One Model, Many Budgets: Elastic Latent Interfaces for Diffusion Transformers
di: Haji-Ali, Moayed, et al.
Pubblicazione: (2026)

4Real-Video-V2: Fused View-Time Attention and Feedforward Reconstruction for 4D Scene Generation
di: Wang, Chaoyang, et al.
Pubblicazione: (2025)

Panda-70M: Captioning 70M Videos with Multiple Cross-Modality Teachers
di: Chen, Tsai-Shien, et al.
Pubblicazione: (2024)

SF-V: Single Forward Video Generation Model
di: Zhang, Zhixing, et al.
Pubblicazione: (2024)

Taming Diffusion Transformer for Efficient Mobile Video Generation in Seconds
di: Wu, Yushu, et al.
Pubblicazione: (2025)

Omni-Attribute: Open-vocabulary Attribute Encoder for Visual Concept Personalization
di: Chen, Tsai-Shien, et al.
Pubblicazione: (2025)

Promptable Game Models: Text-Guided Game Simulation via Masked Diffusion Models
di: Menapace, Willi, et al.
Pubblicazione: (2023)

AsCAN: Asymmetric Convolution-Attention Networks for Efficient Recognition and Generation
di: Kag, Anil, et al.
Pubblicazione: (2024)

EgoEdit: Dataset, Real-Time Streaming Model, and Benchmark for Egocentric Video Editing
di: Li, Runjia, et al.
Pubblicazione: (2025)

VD3D: Taming Large Video Diffusion Transformers for 3D Camera Control
di: Bahmani, Sherwin, et al.
Pubblicazione: (2024)

4Real: Towards Photorealistic 4D Scene Generation via Video Diffusion Models
di: Yu, Heng, et al.
Pubblicazione: (2024)

Taming Data and Transformers for Audio Generation
di: Haji-Ali, Moayed, et al.
Pubblicazione: (2024)

LayerComposer: Multi-Human Personalized Generation via Layered Canvas
di: Qian, Guocheng Gordon, et al.
Pubblicazione: (2025)

Sprint: Sparse-Dense Residual Fusion for Efficient Diffusion Transformers
di: Park, Dogyun, et al.
Pubblicazione: (2025)

HyperHuman: Hyper-Realistic Human Generation with Latent Structural Diffusion
di: Liu, Xian, et al.
Pubblicazione: (2023)

Video Motion Transfer with Diffusion Transformers
di: Pondaven, Alexander, et al.
Pubblicazione: (2024)

Can Text-to-Video Generation help Video-Language Alignment?
di: Zanella, Luca, et al.
Pubblicazione: (2025)

ActionParty: Multi-Subject Action Binding in Generative Video Games
di: Pondaven, Alexander, et al.
Pubblicazione: (2026)

VIA: Unified Spatiotemporal Video Adaptation Framework for Global and Local Video Editing
di: Gu, Jing, et al.
Pubblicazione: (2024)

Diffusion Priors for Dynamic View Synthesis from Monocular Videos
di: Wang, Chaoyang, et al.
Pubblicazione: (2024)

EasyV2V: A High-quality Instruction-based Video Editing Framework
di: Mai, Jinjie, et al.
Pubblicazione: (2025)

Pixel-Aligned Multi-View Generation with Depth Guided Decoder
di: Tang, Zhenggang, et al.
Pubblicazione: (2024)

AToM: Amortized Text-to-Mesh using 2D Diffusion
di: Qian, Guocheng, et al.
Pubblicazione: (2024)

MoA: Mixture-of-Attention for Subject-Context Disentanglement in Personalized Image Generation
di: Wang, Kuan-Chieh, et al.
Pubblicazione: (2024)

Zero-Shot Dynamic Concept Personalization with Grid-Based LoRA
di: Abdal, Rameen, et al.
Pubblicazione: (2025)

GTR: Improving Large 3D Reconstruction Models through Geometry and Texture Refinement
di: Zhuang, Peiye, et al.
Pubblicazione: (2024)