Enregistré dans:
| Auteurs principaux: | Wu, Weijia, Zhu, Zeyu, Shou, Mike Zheng |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | https://arxiv.org/abs/2503.07314 |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Multi-human Interactive Talking Dataset
par: Zhu, Zeyu, et autres
Publié: (2025)
par: Zhu, Zeyu, et autres
Publié: (2025)
MovieBench: A Hierarchical Movie Level Dataset for Long Video Generation
par: Wu, Weijia, et autres
Publié: (2024)
par: Wu, Weijia, et autres
Publié: (2024)
DoraCycle: Domain-Oriented Adaptation of Unified Generative Model in Multimodal Cycles
par: Zhao, Rui, et autres
Publié: (2025)
par: Zhao, Rui, et autres
Publié: (2025)
UniRL: Self-Improving Unified Multimodal Models via Supervised and Reinforcement Learning
par: Mao, Weijia, et autres
Publié: (2025)
par: Mao, Weijia, et autres
Publié: (2025)
Mitty: Diffusion-based Human-to-Robot Video Generation
par: Song, Yiren, et autres
Publié: (2025)
par: Song, Yiren, et autres
Publié: (2025)
Long-Context Autoregressive Video Modeling with Next-Frame Prediction
par: Gu, Yuchao, et autres
Publié: (2025)
par: Gu, Yuchao, et autres
Publié: (2025)
UniMoD: Efficient Unified Multimodal Transformers with Mixture-of-Depths
par: Mao, Weijia, et autres
Publié: (2025)
par: Mao, Weijia, et autres
Publié: (2025)
The Image as Its Own Reward: Reinforcement Learning with Adversarial Reward for Image Generation
par: Mao, Weijia, et autres
Publié: (2025)
par: Mao, Weijia, et autres
Publié: (2025)
FakeVLM-R1: Internalizing Physical Laws via CoT for Synthetic Image Detection
par: Zhu, Leqi, et autres
Publié: (2026)
par: Zhu, Leqi, et autres
Publié: (2026)
DiffuMask: Synthesizing Images with Pixel-level Annotations for Semantic Segmentation Using Diffusion Models
par: Wu, Weijia, et autres
Publié: (2023)
par: Wu, Weijia, et autres
Publié: (2023)
Paper2Video: Automatic Video Generation from Scientific Papers
par: Zhu, Zeyu, et autres
Publié: (2025)
par: Zhu, Zeyu, et autres
Publié: (2025)
MakeAnything: Harnessing Diffusion Transformers for Multi-Domain Procedural Sequence Generation
par: Song, Yiren, et autres
Publié: (2025)
par: Song, Yiren, et autres
Publié: (2025)
P-Flow: Prompting Visual Effects Generation
par: Zhao, Rui, et autres
Publié: (2026)
par: Zhao, Rui, et autres
Publié: (2026)
D-AR: Diffusion via Autoregressive Models
par: Gao, Ziteng, et autres
Publié: (2025)
par: Gao, Ziteng, et autres
Publié: (2025)
Soap2Soap: Long Cinematic Video Remaking via Multi-Agent Collaboration
par: Song, Yiren, et autres
Publié: (2026)
par: Song, Yiren, et autres
Publié: (2026)
Towards Automated Movie Trailer Generation
par: Argaw, Dawit Mureja, et autres
Publié: (2024)
par: Argaw, Dawit Mureja, et autres
Publié: (2024)
VLog: Video-Language Models by Generative Retrieval of Narration Vocabulary
par: Lin, Kevin Qinghong, et autres
Publié: (2025)
par: Lin, Kevin Qinghong, et autres
Publié: (2025)
Paragraph-to-Image Generation with Information-Enriched Diffusion Model
par: Wu, Weijia, et autres
Publié: (2023)
par: Wu, Weijia, et autres
Publié: (2023)
PANDA: Towards Generalist Video Anomaly Detection via Agentic AI Engineer
par: Yang, Zhiwei, et autres
Publié: (2025)
par: Yang, Zhiwei, et autres
Publié: (2025)
LayerTracer: Cognitive-Aligned Layered SVG Synthesis via Diffusion Transformer
par: Song, Yiren, et autres
Publié: (2025)
par: Song, Yiren, et autres
Publié: (2025)
TPDiff: Temporal Pyramid Video Diffusion Model
par: Ran, Lingmin, et autres
Publié: (2025)
par: Ran, Lingmin, et autres
Publié: (2025)
Ego-centric Predictive Model Conditioned on Hand Trajectories
par: Zhang, Binjie, et autres
Publié: (2025)
par: Zhang, Binjie, et autres
Publié: (2025)
LaV-CoT: Language-Aware Visual CoT with Multi-Aspect Reward Optimization for Real-World Multilingual VQA
par: Huang, Jing, et autres
Publié: (2025)
par: Huang, Jing, et autres
Publié: (2025)
DraCo: Draft as CoT for Text-to-Image Preview and Rare Concept Generation
par: Jiang, Dongzhi, et autres
Publié: (2025)
par: Jiang, Dongzhi, et autres
Publié: (2025)
MM-MovieDubber: Towards Multi-Modal Learning for Multi-Modal Movie Dubbing
par: Zheng, Junjie, et autres
Publié: (2025)
par: Zheng, Junjie, et autres
Publié: (2025)
RingID: Rethinking Tree-Ring Watermarking for Enhanced Multi-Key Identification
par: Ci, Hai, et autres
Publié: (2024)
par: Ci, Hai, et autres
Publié: (2024)
OmniPSD: Layered PSD Generation with Diffusion Transformer
par: Liu, Cheng, et autres
Publié: (2025)
par: Liu, Cheng, et autres
Publié: (2025)
X-Humanoid: Robotize Human Videos to Generate Humanoid Videos at Scale
par: Yang, Pei, et autres
Publié: (2025)
par: Yang, Pei, et autres
Publié: (2025)
StreamingEffect: Real-Time Human-Centric Video Effect Generation
par: Song, Yiren, et autres
Publié: (2026)
par: Song, Yiren, et autres
Publié: (2026)
IDProtector: An Adversarial Noise Encoder to Protect Against ID-Preserving Image Generation
par: Song, Yiren, et autres
Publié: (2024)
par: Song, Yiren, et autres
Publié: (2024)
Edit Transfer: Learning Image Editing via Vision In-Context Relations
par: Chen, Lan, et autres
Publié: (2025)
par: Chen, Lan, et autres
Publié: (2025)
The Consistency Critic: Correcting Inconsistencies in Generated Images via Reference-Guided Attentive Alignment
par: Ouyang, Ziheng, et autres
Publié: (2025)
par: Ouyang, Ziheng, et autres
Publié: (2025)
Empowering Lightweight MLLMs with Reasoning via Long CoT SFT
par: Ou, Linyu, et autres
Publié: (2025)
par: Ou, Linyu, et autres
Publié: (2025)
VideoAgent2: Enhancing the LLM-Based Agent System for Long-Form Video Understanding by Uncertainty-Aware CoT
par: Zhi, Zhuo, et autres
Publié: (2025)
par: Zhi, Zhuo, et autres
Publié: (2025)
SurvAgent: Hierarchical CoT-Enhanced Case Banking and Dichotomy-Based Multi-Agent System for Multimodal Survival Prediction
par: Huang, Guolin, et autres
Publié: (2025)
par: Huang, Guolin, et autres
Publié: (2025)
VG-TVP: Multimodal Procedural Planning via Visually Grounded Text-Video Prompting
par: Ilaslan, Muhammet Furkan, et autres
Publié: (2024)
par: Ilaslan, Muhammet Furkan, et autres
Publié: (2024)
MC-CoT: A Modular Collaborative CoT Framework for Zero-shot Medical-VQA with LLM and MLLM Integration
par: Wei, Lai, et autres
Publié: (2024)
par: Wei, Lai, et autres
Publié: (2024)
Parrot Captions Teach CLIP to Spot Text
par: Lin, Yiqi, et autres
Publié: (2023)
par: Lin, Yiqi, et autres
Publié: (2023)
Benchmarking Multimodal CoT Reward Model Stepwise by Visual Program
par: Gao, Minghe, et autres
Publié: (2025)
par: Gao, Minghe, et autres
Publié: (2025)
Multi-Modal Generative Embedding Model
par: Ma, Feipeng, et autres
Publié: (2024)
par: Ma, Feipeng, et autres
Publié: (2024)
Documents similaires
-
Multi-human Interactive Talking Dataset
par: Zhu, Zeyu, et autres
Publié: (2025) -
MovieBench: A Hierarchical Movie Level Dataset for Long Video Generation
par: Wu, Weijia, et autres
Publié: (2024) -
DoraCycle: Domain-Oriented Adaptation of Unified Generative Model in Multimodal Cycles
par: Zhao, Rui, et autres
Publié: (2025) -
UniRL: Self-Improving Unified Multimodal Models via Supervised and Reinforcement Learning
par: Mao, Weijia, et autres
Publié: (2025) -
Mitty: Diffusion-based Human-to-Robot Video Generation
par: Song, Yiren, et autres
Publié: (2025)