Copertina

Divot: Diffusion Powers Video Tokenizer for Comprehension and Generation

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Ge, Yuying, Li, Yizhuo, Ge, Yixiao, Shan, Ying
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

DiCoDe: Diffusion-Compressed Deep Tokens for Autoregressive Video Generation with Language Models
di: Li, Yizhuo, et al.
Pubblicazione: (2024)

AnimeShooter: A Multi-Shot Animation Dataset for Reference-Guided Video Generation
di: Qiu, Lu, et al.
Pubblicazione: (2025)

Aligning Latent Spaces with Flow Priors
di: Li, Yizhuo, et al.
Pubblicazione: (2025)

Moto: Latent Motion Token as the Bridging Language for Learning Robot Manipulation from Videos
di: Chen, Yi, et al.
Pubblicazione: (2024)

TokLIP: Marry Visual Tokens to CLIP for Multimodal Comprehension and Generation
di: Lin, Haokun, et al.
Pubblicazione: (2025)

SEED-Bench-2-Plus: Benchmarking Multimodal Large Language Models with Text-Rich Visual Comprehension
di: Li, Bohao, et al.
Pubblicazione: (2024)

Video-Holmes: Can MLLM Think Like Holmes for Complex Video Reasoning?
di: Cheng, Junhao, et al.
Pubblicazione: (2025)

ARC-Chapter: Structuring Hour-Long Videos into Navigable Chapters and Hierarchical Summaries
di: Pu, Junfu, et al.
Pubblicazione: (2025)

SEED-Data-Edit Technical Report: A Hybrid Dataset for Instructional Image Editing
di: Ge, Yuying, et al.
Pubblicazione: (2024)

AnimeGamer: Infinite Anime Life Simulation with Next Game State Prediction
di: Cheng, Junhao, et al.
Pubblicazione: (2025)

SEED-X: Multimodal Models with Unified Multi-granularity Comprehension and Generation
di: Ge, Yuying, et al.
Pubblicazione: (2024)

GenHancer: Imperfect Generative Models are Secretly Strong Vision-Centric Enhancers
di: Ma, Shijie, et al.
Pubblicazione: (2025)

SEED-Story: Multimodal Long Story Generation with Large Language Model
di: Yang, Shuai, et al.
Pubblicazione: (2024)

ARC-Hunyuan-Video-7B: Structured Video Comprehension of Real-World Shorts
di: Ge, Yuying, et al.
Pubblicazione: (2025)

BT-Adapter: Video Conversation is Feasible Without Video Instruction Tuning
di: Liu, Ruyang, et al.
Pubblicazione: (2023)

TimeLens: Rethinking Video Temporal Grounding with Multimodal LLMs
di: Zhang, Jun, et al.
Pubblicazione: (2025)

AudioStory: Generating Long-Form Narrative Audio with Large Language Models
di: Guo, Yuxin, et al.
Pubblicazione: (2025)

EgoPlan-Bench2: A Benchmark for Multimodal Large Language Model Planning in Real-World Scenarios
di: Qiu, Lu, et al.
Pubblicazione: (2024)

Supervised Fine-tuning in turn Improves Visual Foundation Models
di: Jiang, Xiaohu, et al.
Pubblicazione: (2024)

Exploring the Effect of Reinforcement Learning on Video Understanding: Insights from SEED-Bench-R1
di: Chen, Yi, et al.
Pubblicazione: (2025)

ST-LLM: Large Language Models Are Effective Temporal Learners
di: Liu, Ruyang, et al.
Pubblicazione: (2024)

Scalable Image Tokenization with Index Backpropagation Quantization
di: Shi, Fengyuan, et al.
Pubblicazione: (2024)

GRPO-CARE: Consistency-Aware Reinforcement Learning for Multimodal Reasoning
di: Chen, Yi, et al.
Pubblicazione: (2025)

EgoPlan-Bench: Benchmarking Multimodal Large Language Models for Human-Level Planning
di: Chen, Yi, et al.
Pubblicazione: (2023)

Plot2Code: A Comprehensive Benchmark for Evaluating Multi-modal Large Language Models in Code Generation from Scientific Plots
di: Wu, Chengyue, et al.
Pubblicazione: (2024)

ViT-Lens: Towards Omni-modal Representations
di: Lei, Weixian, et al.
Pubblicazione: (2023)

HaploOmni: Unified Single Transformer for Multimodal Video Understanding and Generation
di: Xiao, Yicheng, et al.
Pubblicazione: (2025)

YOLO-World: Real-Time Open-Vocabulary Object Detection
di: Cheng, Tianheng, et al.
Pubblicazione: (2024)

ATP-LLaVA: Adaptive Token Pruning for Large Vision Language Models
di: Ye, Xubing, et al.
Pubblicazione: (2024)

Open-MAGVIT2: An Open-Source Project Toward Democratizing Auto-regressive Visual Generation
di: Luo, Zhuoyan, et al.
Pubblicazione: (2024)

Meta-Adapter: An Online Few-shot Learner for Vision-Language Model
di: Cheng, Cheng, et al.
Pubblicazione: (2023)

DIAL: Decoupling Intent and Action via Latent World Modeling for End-to-End VLA
di: Chen, Yi, et al.
Pubblicazione: (2026)

GenCompositor: Generative Video Compositing with Diffusion Transformer
di: Yang, Shuzhou, et al.
Pubblicazione: (2025)

Learning to Reason in 4D: Dynamic Spatial Understanding for Vision Language Models
di: Zhou, Shengchao, et al.
Pubblicazione: (2025)

Guiding a Diffusion Model by Swapping Its Tokens
di: Zhang, Weijia, et al.
Pubblicazione: (2026)

S2DM: Sector-Shaped Diffusion Models for Video Generation
di: Lang, Haoran, et al.
Pubblicazione: (2024)

ViT-Lens: Initiating Omni-Modal Exploration through 3D Insights
di: Lei, Weixian, et al.
Pubblicazione: (2023)

Towards A Better Metric for Text-to-Video Generation
di: Wu, Jay Zhangjie, et al.
Pubblicazione: (2024)

View-Consistent Diffusion Representations for 3D-Consistent Video Generation
di: Danier, Duolikun, et al.
Pubblicazione: (2025)

HaploVL: A Single-Transformer Baseline for Multi-Modal Understanding
di: Yang, Rui, et al.
Pubblicazione: (2025)