Copertina

DiCoDe: Diffusion-Compressed Deep Tokens for Autoregressive Video Generation with Language Models

Fuente: arXiv

Salvato in:

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

Divot: Diffusion Powers Video Tokenizer for Comprehension and Generation
di: Ge, Yuying, et al.
Pubblicazione: (2024)

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

AnimeShooter: A Multi-Shot Animation Dataset for Reference-Guided Video Generation
di: Qiu, Lu, 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)

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

Video-Holmes: Can MLLM Think Like Holmes for Complex Video Reasoning?
di: Cheng, Junhao, 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)

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

GenHancer: Imperfect Generative Models are Secretly Strong Vision-Centric Enhancers
di: Ma, Shijie, 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)

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)

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

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

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

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

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

VoCo-LLaMA: Towards Vision Compression with Large Language Models
di: Ye, Xubing, et al.
Pubblicazione: (2024)

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

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

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

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

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

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

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

Forcing-KV: Hybrid KV Cache Compression for Efficient Autoregressive Video Diffusion Models
di: Ji, Yicheng, et al.
Pubblicazione: (2026)

Adaptive Begin-of-Video Tokens for Autoregressive Video Diffusion Models
di: Cheng, Tianle, et al.
Pubblicazione: (2025)

AR-CoPO: Align Autoregressive Video Generation with Contrastive Policy Optimization
di: He, Dailan, et al.
Pubblicazione: (2026)

LINA: Linear Autoregressive Image Generative Models with Continuous Tokens
di: Wang, Jiahao, et al.
Pubblicazione: (2026)

Advanced Sign Language Video Generation with Compressed and Quantized Multi-Condition Tokenization
di: Wang, Cong, et al.
Pubblicazione: (2025)

DiT as Real-Time Rerenderer: Streaming Video Stylization with Autoregressive Diffusion Transformer
di: Lyu, Hengye, et al.
Pubblicazione: (2026)

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

Context Forcing: Consistent Autoregressive Video Generation with Long Context
di: Chen, Shuo, et al.
Pubblicazione: (2026)

Rolling Forcing: Autoregressive Long Video Diffusion in Real Time
di: Liu, Kunhao, et al.
Pubblicazione: (2025)

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

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

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

End-to-End Autoregressive Image Generation with 1D Semantic Tokenizer
di: Chu, Wenda, et al.
Pubblicazione: (2026)

DeCo: Decoupling Token Compression from Semantic Abstraction in Multimodal Large Language Models
di: Yao, Linli, et al.
Pubblicazione: (2024)