:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Qi, Zhangyang, Zhang, Zhixiong, Fang, Ye, Wang, Jiaqi, Zhao, Hengshuang
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	https://arxiv.org/abs/2501.01428
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

VLN-R1: Vision-Language Navigation via Reinforcement Fine-Tuning
von: Qi, Zhangyang, et al.
Veröffentlicht: (2025)

GPT4Point: A Unified Framework for Point-Language Understanding and Generation
von: Qi, Zhangyang, et al.
Veröffentlicht: (2023)

SceneGPT: A Language Model for 3D Scene Understanding
von: Chandhok, Shivam
Veröffentlicht: (2024)

HERMES++: Toward a Unified Driving World Model for 3D Scene Understanding and Generation
von: Zhou, Xin, et al.
Veröffentlicht: (2026)

HERMES: A Unified Self-Driving World Model for Simultaneous 3D Scene Understanding and Generation
von: Zhou, Xin, et al.
Veröffentlicht: (2025)

HIS-GPT: Towards 3D Human-In-Scene Multimodal Understanding
von: Zhao, Jiahe, et al.
Veröffentlicht: (2025)

DC-Scene: Data-Centric Learning for 3D Scene Understanding
von: Huang, Ting, et al.
Veröffentlicht: (2025)

3D Smoke Scene Reconstruction Guided by Vision Priors from Multimodal Large Language Models
von: Zheng, Xinye, et al.
Veröffentlicht: (2026)

Tailor3D: Customized 3D Assets Editing and Generation with Dual-Side Images
von: Qi, Zhangyang, et al.
Veröffentlicht: (2024)

SceneSplat: Gaussian Splatting-based Scene Understanding with Vision-Language Pretraining
von: Li, Yue, et al.
Veröffentlicht: (2025)

Unified Scene Representation and Reconstruction for 3D Large Language Models
von: Chu, Tao, et al.
Veröffentlicht: (2024)

Scene-VLM: Multimodal Video Scene Segmentation via Vision-Language Models
von: Berman, Nimrod, et al.
Veröffentlicht: (2025)

Scene-R1: Video-Grounded Large Language Models for 3D Scene Reasoning without 3D Annotations
von: Yuan, Zhihao, et al.
Veröffentlicht: (2025)

Language-Assisted 3D Scene Understanding
von: Wu, Yanmin, et al.
Veröffentlicht: (2023)

DoraemonGPT: Toward Understanding Dynamic Scenes with Large Language Models (Exemplified as A Video Agent)
von: Yang, Zongxin, et al.
Veröffentlicht: (2024)

SceneGraphVLM: Dynamic Scene Graph Generation from Video with Vision-Language Models
von: Makarov, Vladislav, et al.
Veröffentlicht: (2026)

DivScene: Towards Open-Vocabulary Object Navigation with Large Vision Language Models in Diverse Scenes
von: Wang, Zhaowei, et al.
Veröffentlicht: (2024)

Chat-Scene: Bridging 3D Scene and Large Language Models with Object Identifiers
von: Huang, Haifeng, et al.
Veröffentlicht: (2023)

Comp4D: LLM-Guided Compositional 4D Scene Generation
von: Xu, Dejia, et al.
Veröffentlicht: (2024)

VideoScene: Distilling Video Diffusion Model to Generate 3D Scenes in One Step
von: Wang, Hanyang, et al.
Veröffentlicht: (2025)

IR3D-Bench: Evaluating Vision-Language Model Scene Understanding as Agentic Inverse Rendering
von: Liu, Parker, et al.
Veröffentlicht: (2025)

SceneVerse: Scaling 3D Vision-Language Learning for Grounded Scene Understanding
von: Jia, Baoxiong, et al.
Veröffentlicht: (2024)

Spatio-Temporal Data Enhanced Vision-Language Model for Traffic Scene Understanding
von: Ma, Jingtian, et al.
Veröffentlicht: (2025)

HMR3D: Hierarchical Multimodal Representation for 3D Scene Understanding with Large Vision-Language Model
von: Li, Chen, et al.
Veröffentlicht: (2025)

ESceme: Vision-and-Language Navigation with Episodic Scene Memory
von: Zheng, Qi, et al.
Veröffentlicht: (2023)

Seeing the Scene Matters: Revealing Forgetting in Video Understanding Models with a Scene-Aware Long-Video Benchmark
von: Chen, Seng Nam, et al.
Veröffentlicht: (2026)

LiteReality: Graphics-Ready 3D Scene Reconstruction from RGB-D Scans
von: Huang, Zhening, et al.
Veröffentlicht: (2025)

Do Vision--Language Models Understand 3D Scenes or Just Catalogue Objects?
von: Maheshwari, Animesh, et al.
Veröffentlicht: (2026)

Text-Scene: A Scene-to-Language Parsing Framework for 3D Scene Understanding
von: Li, Haoyuan, et al.
Veröffentlicht: (2025)

Embodied Scene Understanding for Vision Language Models via MetaVQA
von: Wang, Weizhen, et al.
Veröffentlicht: (2025)

RLM: A Vision-Language Model Approach for Radar Scene Understanding
von: Mishra, Pushkal, et al.
Veröffentlicht: (2025)

Do Thought Streams Matter? Evaluating Reasoning in Gemini Vision-Language Models for Video Scene Understanding
von: Sharma, Shivam, et al.
Veröffentlicht: (2026)

Video-3D LLM: Learning Position-Aware Video Representation for 3D Scene Understanding
von: Zheng, Duo, et al.
Veröffentlicht: (2024)

Scenes as Tokens: Multi-Scale Normal Distributions Transform Tokenizer for General 3D Vision-Language Understanding
von: Tang, Yutao, et al.
Veröffentlicht: (2025)

Articulate3D: Holistic Understanding of 3D Scenes as Universal Scene Description
von: Halacheva, Anna-Maria, et al.
Veröffentlicht: (2024)

Open-Vocabulary Octree-Graph for 3D Scene Understanding
von: Wang, Zhigang, et al.
Veröffentlicht: (2024)

DreamScene360: Unconstrained Text-to-3D Scene Generation with Panoramic Gaussian Splatting
von: Zhou, Shijie, et al.
Veröffentlicht: (2024)

Uncovering and Shaping the Latent Representation of 3D Scene Topology in Vision-Language Models
von: Wang, Haoming, et al.
Veröffentlicht: (2026)

LangScene-X: Reconstruct Generalizable 3D Language-Embedded Scenes with TriMap Video Diffusion
von: Liu, Fangfu, et al.
Veröffentlicht: (2025)

POMA-3D: The Point Map Way to 3D Scene Understanding
von: Mao, Ye, et al.
Veröffentlicht: (2025)