Buchumschlag

PixelWorld: How Far Are We from Perceiving Everything as Pixels?

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Lyu, Zhiheng, Ma, Xueguang, Chen, Wenhu
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition Computation and Language
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Pixel Reasoner: Incentivizing Pixel-Space Reasoning with Curiosity-Driven Reinforcement Learning
von: Wang, Haozhe, et al.
Veröffentlicht: (2025)

Pixel Sentence Representation Learning
von: Xiao, Chenghao, et al.
Veröffentlicht: (2024)

Pixels, Patterns, but No Poetry: To See The World like Humans
von: Gao, Hongcheng, et al.
Veröffentlicht: (2025)

PixelPrune: Pixel-Level Adaptive Visual Token Reduction via Predictive Coding
von: Wang, Nan, et al.
Veröffentlicht: (2026)

Talking Points: Describing and Localizing Pixels
von: Rusanovsky, Matan, et al.
Veröffentlicht: (2025)

Autoregressive Pre-Training on Pixels and Texts
von: Chai, Yekun, et al.
Veröffentlicht: (2024)

Rethinking Generative Image Pretraining: How Far Are We From Scaling Up Next-Pixel Prediction?
von: Yan, Xinchen, et al.
Veröffentlicht: (2025)

How Far Are We from Generating Missing Modalities with Foundation Models?
von: Ke, Guanzhou, et al.
Veröffentlicht: (2025)

How Far Are We from Intelligent Visual Deductive Reasoning?
von: Zhang, Yizhe, et al.
Veröffentlicht: (2024)

From Reasoning to Pixels: Benchmarking the Alignment Gap in Unified Multimodal Models
von: Yang, Cheng, et al.
Veröffentlicht: (2026)

Pixel-Level Reasoning Segmentation via Multi-turn Conversations
von: Cai, Dexian, et al.
Veröffentlicht: (2025)

From Text to Pixel: Advancing Long-Context Understanding in MLLMs
von: Lu, Yujie, et al.
Veröffentlicht: (2024)

From Pixels to Tokens: Revisiting Object Hallucinations in Large Vision-Language Models
von: Shang, Yuying, et al.
Veröffentlicht: (2024)

Reading, Not Thinking: Understanding and Bridging the Modality Gap When Text Becomes Pixels in Multimodal LLMs
von: Sun, Kaiser, et al.
Veröffentlicht: (2026)

Tuna-2: Pixel Embeddings Beat Vision Encoders for Multimodal Understanding and Generation
von: Liu, Zhiheng, et al.
Veröffentlicht: (2026)

PointAD: Comprehending 3D Anomalies from Points and Pixels for Zero-shot 3D Anomaly Detection
von: Zhou, Qihang, et al.
Veröffentlicht: (2024)

Attention, Please! PixelSHAP Reveals What Vision-Language Models Actually Focus On
von: Goldshmidt, Roni
Veröffentlicht: (2025)

ImageAttributionBench: How Far Are We from Generalizable Attribution?
von: Mou, Tingshu, et al.
Veröffentlicht: (2026)

PixelFlow: Pixel-Space Generative Models with Flow
von: Chen, Shoufa, et al.
Veröffentlicht: (2025)

Pixel-SAIL: Single Transformer For Pixel-Grounded Understanding
von: Zhang, Tao, et al.
Veröffentlicht: (2025)

How Far Are Vision-Language Models from Constructing the Real World? A Benchmark for Physical Generative Reasoning
von: Yang, Luyu, et al.
Veröffentlicht: (2026)

Humor in Pixels: Benchmarking Large Multimodal Models Understanding of Online Comics
von: Ryan, Yuriel, et al.
Veröffentlicht: (2025)

From Pixels to Posts: Retrieval-Augmented Fashion Captioning and Hashtag Generation
von: Gondal, Moazzam Umer, et al.
Veröffentlicht: (2025)

From Pampas to Pixels: Fine-Tuning Diffusion Models for Gaúcho Heritage
von: Amadeus, Marcellus, et al.
Veröffentlicht: (2024)

From Pixels to Prose: A Large Dataset of Dense Image Captions
von: Singla, Vasu, et al.
Veröffentlicht: (2024)

From Pixels to Tokens: Byte-Pair Encoding on Quantized Visual Modalities
von: Zhang, Wanpeng, et al.
Veröffentlicht: (2024)

Motion-Grounded Video Reasoning: Understanding and Perceiving Motion at Pixel Level
von: Deng, Andong, et al.
Veröffentlicht: (2024)

InternLM-XComposer2-4KHD: A Pioneering Large Vision-Language Model Handling Resolutions from 336 Pixels to 4K HD
von: Dong, Xiaoyi, et al.
Veröffentlicht: (2024)

PixelGen: Improving Pixel Diffusion with Perceptual Supervision
von: Ma, Zehong, et al.
Veröffentlicht: (2026)

PixelDiT: Pixel Diffusion Transformers for Image Generation
von: Yu, Yongsheng, et al.
Veröffentlicht: (2025)

PixelLM: Pixel Reasoning with Large Multimodal Model
von: Ren, Zhongwei, et al.
Veröffentlicht: (2023)

Grasp Any Region: Towards Precise, Contextual Pixel Understanding for Multimodal LLMs
von: Wang, Haochen, et al.
Veröffentlicht: (2025)

Pixel Motion Diffusion is What We Need for Robot Control
von: Nguyen, E-Ro, et al.
Veröffentlicht: (2025)

Text as Images: Can Multimodal Large Language Models Follow Printed Instructions in Pixels?
von: Li, Xiujun, et al.
Veröffentlicht: (2023)

Pixel Is Not a Barrier: An Effective Evasion Attack for Pixel-Domain Diffusion Models
von: Shih, Chun-Yen, et al.
Veröffentlicht: (2024)

GeoPixel: Pixel Grounding Large Multimodal Model in Remote Sensing
von: Shabbir, Akashah, et al.
Veröffentlicht: (2025)

From Pixels to Insights: A Survey on Automatic Chart Understanding in the Era of Large Foundation Models
von: Huang, Kung-Hsiang, et al.
Veröffentlicht: (2024)

Semi-supervised Counting via Pixel-by-pixel Density Distribution Modelling
von: Lin, Hui, et al.
Veröffentlicht: (2024)

Beyond Pixels: Text Enhances Generalization in Real-World Image Restoration
von: Sun, Haoze, et al.
Veröffentlicht: (2024)

PixelThink: Towards Efficient Chain-of-Pixel Reasoning
von: Wang, Song, et al.
Veröffentlicht: (2025)