Buchumschlag

Visual Agentic AI for Spatial Reasoning with a Dynamic API

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Marsili, Damiano, Agrawal, Rohun, Yue, Yisong, Gkioxari, Georgia
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

No Labels, No Problem: Training Visual Reasoners with Multimodal Verifiers
von: Marsili, Damiano, et al.
Veröffentlicht: (2025)

Same or Not? Enhancing Visual Perception in Vision-Language Models
von: Marsili, Damiano, et al.
Veröffentlicht: (2025)

Find Any Part in 3D
von: Ma, Ziqi, et al.
Veröffentlicht: (2024)

Feedforward 3D Editing via Text-Steerable Image-to-3D
von: Ma, Ziqi, et al.
Veröffentlicht: (2025)

Is This Tracker On? A Benchmark Protocol for Dynamic Tracking
von: Demler, Ilona, et al.
Veröffentlicht: (2025)

Conversational Image Segmentation: Grounding Abstract Concepts with Scalable Supervision
von: Sahoo, Aadarsh, et al.
Veröffentlicht: (2026)

Linear Mechanisms for Spatiotemporal Reasoning in Vision Language Models
von: Kang, Raphi, et al.
Veröffentlicht: (2026)

Aligning Text, Images, and 3D Structure Token-by-Token
von: Sahoo, Aadarsh, et al.
Veröffentlicht: (2025)

Out of Sight, Out of Mind? Evaluating State Evolution in Video World Models
von: Ma, Ziqi, et al.
Veröffentlicht: (2026)

Is CLIP ideal? No. Can we fix it? Yes!
von: Kang, Raphi, et al.
Veröffentlicht: (2025)

Reconstructing Hand-Held Objects in 3D from Images and Videos
von: Wu, Jane, et al.
Veröffentlicht: (2024)

MonoTher-Depth: Enhancing Thermal Depth Estimation via Confidence-Aware Distillation
von: Zuo, Xingxing, et al.
Veröffentlicht: (2025)

STUPD: A Synthetic Dataset for Spatial and Temporal Relation Reasoning
von: Agrawal, Palaash, et al.
Veröffentlicht: (2023)

How and What to Imagine? Visual Thinking in Unified Multimodal Models for Cross-View Spatial Reasoning
von: Yang, Qian, et al.
Veröffentlicht: (2026)

GeoVista: Web-Augmented Agentic Visual Reasoning for Geolocalization
von: Wang, Yikun, et al.
Veröffentlicht: (2025)

SpatialImaginer: Towards Adaptive Visual Imagination for Spatial Reasoning
von: Li, Yian, et al.
Veröffentlicht: (2026)

Caltech Aerial RGB-Thermal Dataset in the Wild
von: Lee, Connor, et al.
Veröffentlicht: (2024)

Connecting the Dots: Training-Free Visual Grounding via Agentic Reasoning
von: Luo, Liqin, et al.
Veröffentlicht: (2025)

SpaceVista: All-Scale Visual Spatial Reasoning from mm to km
von: Sun, Peiwen, et al.
Veröffentlicht: (2025)

Active Exploring like a Pigeon: Reinforcing Spatial Reasoning via Agentic Vision-Language Models
von: Deng, Wei, et al.
Veröffentlicht: (2026)

pySpatial: Generating 3D Visual Programs for Zero-Shot Spatial Reasoning
von: Luo, Zhanpeng, et al.
Veröffentlicht: (2026)

From Web to Pixels: Bringing Agentic Search into Visual Perception
von: Yang, Bokang, et al.
Veröffentlicht: (2026)

RadFabric: Agentic AI System with Reasoning Capability for Radiology
von: Chen, Wenting, et al.
Veröffentlicht: (2025)

Learning to Localize Objects Improves Spatial Reasoning in Visual-LLMs
von: Ranasinghe, Kanchana, et al.
Veröffentlicht: (2024)

VideoAnchor: Reinforcing Subspace-Structured Visual Cues for Coherent Visual-Spatial Reasoning
von: Wang, Zhaozhi, et al.
Veröffentlicht: (2025)

SAGE: Training Smart Any-Horizon Agents for Long Video Reasoning with Reinforcement Learning
von: Jain, Jitesh, et al.
Veröffentlicht: (2025)

ARM-Thinker: Reinforcing Multimodal Generative Reward Models with Agentic Tool Use and Visual Reasoning
von: Ding, Shengyuan, et al.
Veröffentlicht: (2025)

ActFER: Agentic Facial Expression Recognition via Active Tool-Augmented Visual Reasoning
von: Liu, Shifeng, et al.
Veröffentlicht: (2026)

SpatialBoost: Enhancing Visual Representation through Language-Guided Reasoning
von: Jeon, Byungwoo, et al.
Veröffentlicht: (2026)

Act2See: Emergent Active Visual Perception for Video Reasoning
von: Ma, Martin Q., et al.
Veröffentlicht: (2026)

Self-Evolving Visual Concept Library using Vision-Language Critics
von: Sehgal, Atharva, et al.
Veröffentlicht: (2025)

InfiniBench: Infinite Benchmarking for Visual Spatial Reasoning with Customizable Scene Complexity
von: Wang, Haoming, et al.
Veröffentlicht: (2025)

Learning GUI Grounding with Spatial Reasoning from Visual Feedback
von: Zhao, Yu, et al.
Veröffentlicht: (2025)

Visual-Semantic Graph Matching Net for Zero-Shot Learning
von: Duan, Bowen, et al.
Veröffentlicht: (2024)

NitroGen: An Open Foundation Model for Generalist Gaming Agents
von: Magne, Loïc, et al.
Veröffentlicht: (2026)

Escaping Plato's Cave: JAM for Aligning Independently Trained Vision and Language Models
von: Yoon, Lauren Hyoseo, et al.
Veröffentlicht: (2025)

Route, Retrieve, Reflect, Repair: Self-Improving Agentic Framework for Visual Detection and Linguistic Reasoning in Medical Imaging
von: Sayeedi, Md. Faiyaz Abdullah, et al.
Veröffentlicht: (2026)

Semantic Visual Anomaly Detection and Reasoning in AI-Generated Images
von: Tan, Chuangchuang, et al.
Veröffentlicht: (2025)

SARAH: Spatially Aware Real-time Agentic Humans
von: Ng, Evonne, et al.
Veröffentlicht: (2026)

EvoEmpirBench: Dynamic Spatial Reasoning with Agent-ExpVer
von: Zhao, Pukun, et al.
Veröffentlicht: (2025)