Buchumschlag

Wolf: Dense Video Captioning with a World Summarization Framework

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Boyi, Zhu, Ligeng, Tian, Ran, Tan, Shuhan, Chen, Yuxiao, Lu, Yao, Cui, Yin, Veer, Sushant, Ehrlich, Max, Philion, Jonah, Weng, Xinshuo, Xue, Fuzhao, Fan, Linxi, Zhu, Yuke, Kautz, Jan, Tao, Andrew, Liu, Ming-Yu, Fidler, Sanja, Ivanovic, Boris, Darrell, Trevor, Malik, Jitendra, Han, Song, Pavone, Marco
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Computation and Language Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Trajeglish: Traffic Modeling as Next-Token Prediction
von: Philion, Jonah, et al.
Veröffentlicht: (2023)

Promptable Closed-loop Traffic Simulation
von: Tan, Shuhan, et al.
Veröffentlicht: (2024)

FoundationMotion: Auto-Labeling and Reasoning about Spatial Movement in Videos
von: Gan, Yulu, et al.
Veröffentlicht: (2025)

Driving Everywhere with Large Language Model Policy Adaptation
von: Li, Boyi, et al.
Veröffentlicht: (2024)

Tokenize the World into Object-level Knowledge to Address Long-tail Events in Autonomous Driving
von: Tian, Ran, et al.
Veröffentlicht: (2024)

QLIP: Text-Aligned Visual Tokenization Unifies Auto-Regressive Multimodal Understanding and Generation
von: Zhao, Yue, et al.
Veröffentlicht: (2025)

The Case for Negative Data: From Crash Reports to Counterfactuals for Reasonable Driving
von: Patrikar, Jay, et al.
Veröffentlicht: (2025)

RealDrive: Retrieval-Augmented Driving with Diffusion Models
von: Ding, Wenhao, et al.
Veröffentlicht: (2025)

System-Level Safety Monitoring and Recovery for Perception Failures in Autonomous Vehicles
von: Chakraborty, Kaustav, et al.
Veröffentlicht: (2024)

Sim-to-Real Reinforcement Learning for Vision-Based Dexterous Manipulation on Humanoids
von: Lin, Toru, et al.
Veröffentlicht: (2025)

Gen-Drive: Enhancing Diffusion Generative Driving Policies with Reward Modeling and Reinforcement Learning Fine-tuning
von: Huang, Zhiyu, et al.
Veröffentlicht: (2024)

Describe Anything: Detailed Localized Image and Video Captioning
von: Lian, Long, et al.
Veröffentlicht: (2025)

AMAGO: Scalable In-Context Reinforcement Learning for Adaptive Agents
von: Grigsby, Jake, et al.
Veröffentlicht: (2023)

Surprise Potential as a Measure of Interactivity in Driving Scenarios
von: Ding, Wenhao, et al.
Veröffentlicht: (2025)

RuleFuser: An Evidential Bayes Approach for Rule Injection in Imitation Learned Planners and Predictors for Robustness under Distribution Shifts
von: Patrikar, Jay, et al.
Veröffentlicht: (2024)

LoRD: Adapting Differentiable Driving Policies to Distribution Shifts
von: Diehl, Christopher, et al.
Veröffentlicht: (2024)

Online Aggregation of Trajectory Predictors
von: Tong, Alex, et al.
Veröffentlicht: (2025)

Safety Evaluation of Motion Plans Using Trajectory Predictors as Forward Reachable Set Estimators
von: Chakraborty, Kaustav, et al.
Veröffentlicht: (2025)

LongVILA: Scaling Long-Context Visual Language Models for Long Videos
von: Chen, Yukang, et al.
Veröffentlicht: (2024)

LLM-grounded Diffusion: Enhancing Prompt Understanding of Text-to-Image Diffusion Models with Large Language Models
von: Lian, Long, et al.
Veröffentlicht: (2023)

Scaling Vision Pre-Training to 4K Resolution
von: Shi, Baifeng, et al.
Veröffentlicht: (2025)

Language-Image Models with 3D Understanding
von: Cho, Jang Hyun, et al.
Veröffentlicht: (2024)

Learning Humanoid Locomotion over Challenging Terrain
von: Radosavovic, Ilija, et al.
Veröffentlicht: (2024)

xT: Nested Tokenization for Larger Context in Large Images
von: Gupta, Ritwik, et al.
Veröffentlicht: (2024)

DTPP: Differentiable Joint Conditional Prediction and Cost Evaluation for Tree Policy Planning in Autonomous Driving
von: Huang, Zhiyu, et al.
Veröffentlicht: (2023)

LOTUS: A Leaderboard for Detailed Image Captioning from Quality to Societal Bias and User Preferences
von: Hirota, Yusuke, et al.
Veröffentlicht: (2025)

DistillNeRF: Perceiving 3D Scenes from Single-Glance Images by Distilling Neural Fields and Foundation Model Features
von: Wang, Letian, et al.
Veröffentlicht: (2024)

Towards Efficient and Effective Multi-Camera Encoding for End-to-End Driving
von: Yang, Jiawei, et al.
Veröffentlicht: (2025)

DreamDrive: Generative 4D Scene Modeling from Street View Images
von: Mao, Jiageng, et al.
Veröffentlicht: (2024)

LoRA3D: Low-Rank Self-Calibration of 3D Geometric Foundation Models
von: Lu, Ziqi, et al.
Veröffentlicht: (2024)

ViR: Towards Efficient Vision Retention Backbones
von: Hatamizadeh, Ali, et al.
Veröffentlicht: (2023)

Sim2Val: Leveraging Correlation Across Test Platforms for Variance-Reduced Metric Estimation
von: Luo, Rachel, et al.
Veröffentlicht: (2025)

Align Your Flow: Scaling Continuous-Time Flow Map Distillation
von: Sabour, Amirmojtaba, et al.
Veröffentlicht: (2025)

Align Your Steps: Optimizing Sampling Schedules in Diffusion Models
von: Sabour, Amirmojtaba, et al.
Veröffentlicht: (2024)

LLM-grounded Video Diffusion Models
von: Lian, Long, et al.
Veröffentlicht: (2023)

Accelerating Structured Chain-of-Thought in Autonomous Vehicles
von: Gu, Yi, et al.
Veröffentlicht: (2026)

Closed-Loop Supervised Fine-Tuning of Tokenized Traffic Models
von: Zhang, Zhejun, et al.
Veröffentlicht: (2024)

CLAIR-A: Leveraging Large Language Models to Judge Audio Captions
von: Wu, Tsung-Han, et al.
Veröffentlicht: (2024)

Latent Chain-of-Thought World Modeling for End-to-End Driving
von: Tan, Shuhan, et al.
Veröffentlicht: (2025)

VILA$^2$: VILA Augmented VILA
von: Fang, Yunhao, et al.
Veröffentlicht: (2024)