Copertina

One Token to Seg Them All: Language Instructed Reasoning Segmentation in Videos

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Bai, Zechen, He, Tong, Mei, Haiyang, Wang, Pichao, Gao, Ziteng, Chen, Joya, Liu, Lei, Zhang, Zheng, Shou, Mike Zheng
Natura:	Preprint
Pubblicazione:	2024
Soggetti:	Computer Vision and Pattern Recognition Artificial Intelligence
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

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

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

Hallucination of Multimodal Large Language Models: A Survey
di: Bai, Zechen, et al.
Pubblicazione: (2024)

Bridging Information Asymmetry in Text-video Retrieval: A Data-centric Approach
di: Bai, Zechen, et al.
Pubblicazione: (2024)

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

EVOLVE-VLA: Test-Time Training from Environment Feedback for Vision-Language-Action Models
di: Bai, Zechen, 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)

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

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

Skip \n: A Simple Method to Reduce Hallucination in Large Vision-Language Models
di: Han, Zongbo, et al.
Pubblicazione: (2024)

InstructSeg: Unifying Instructed Visual Segmentation with Multi-modal Large Language Models
di: Wei, Cong, et al.
Pubblicazione: (2024)

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

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

Kiwi-Edit: Versatile Video Editing via Instruction and Reference Guidance
di: Lin, Yiqi, et al.
Pubblicazione: (2026)

ShowUI: One Vision-Language-Action Model for GUI Visual Agent
di: Lin, Kevin Qinghong, et al.
Pubblicazione: (2024)

LOVA3: Learning to Visual Question Answering, Asking and Assessment
di: Zhao, Henry Hengyuan, et al.
Pubblicazione: (2024)

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

Decoupled Seg Tokens Make Stronger Reasoning Video Segmenter and Grounder
di: Jisheng, Dang, et al.
Pubblicazione: (2025)

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

LiveCC: Learning Video LLM with Streaming Speech Transcription at Scale
di: Chen, Joya, et al.
Pubblicazione: (2025)

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

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

OMG-Seg: Is One Model Good Enough For All Segmentation?
di: Li, Xiangtai, et al.
Pubblicazione: (2024)

OneVOS: Unifying Video Object Segmentation with All-in-One Transformer Framework
di: Li, Wanyun, et al.
Pubblicazione: (2024)

Factorized Learning for Temporally Grounded Video-Language Models
di: Zeng, Wenzheng, et al.
Pubblicazione: (2025)

TokenSeg: Efficient 3D Medical Image Segmentation via Hierarchical Visual Token Compression
di: Zeng, Sen, et al.
Pubblicazione: (2026)

LLM-Seg: Bridging Image Segmentation and Large Language Model Reasoning
di: Wang, Junchi, et al.
Pubblicazione: (2024)

SteerSeg: Attention Steering for Reasoning Video Segmentation
di: Cheraghian, Ali, et al.
Pubblicazione: (2026)

SCT: A Simple Baseline for Parameter-Efficient Fine-Tuning via Salient Channels
di: Zhao, Henry Hengyuan, et al.
Pubblicazione: (2023)

OmniCaptioner: One Captioner to Rule Them All
di: Lu, Yiting, et al.
Pubblicazione: (2025)

DiffSeg30k: A Multi-Turn Diffusion Editing Benchmark for Localized AIGC Detection
di: Ci, Hai, et al.
Pubblicazione: (2025)

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

VIRST: Video-Instructed Reasoning Assistant for SpatioTemporal Segmentation
di: Hong, Jihwan, et al.
Pubblicazione: (2026)

Unsupervised Open-Vocabulary Object Localization in Videos
di: Fan, Ke, et al.
Pubblicazione: (2023)

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

RCoT-Seg: Reinforced Chain-of-Thought for Video Reasoning and Segmentation
di: Wen, Junwei, et al.
Pubblicazione: (2026)

Visual-Instructed Degradation Diffusion for All-in-One Image Restoration
di: Luo, Wenyang, et al.
Pubblicazione: (2025)

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

Seg-ReSearch: Segmentation with Interleaved Reasoning and External Search
di: Liang, Tianming, et al.
Pubblicazione: (2026)

Bring Your Own Character: A Holistic Solution for Automatic Facial Animation Generation of Customized Characters
di: Bai, Zechen, et al.
Pubblicazione: (2024)