Buchumschlag

ST-VLM: Kinematic Instruction Tuning for Spatio-Temporal Reasoning in Vision-Language Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ko, Dohwan, Kim, Sihyeon, Suh, Yumin, G, Vijay Kumar B., Yoon, Minseo, Chandraker, Manmohan, Kim, Hyunwoo J.
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

Progressive Token Length Scaling in Transformer Encoders for Efficient Universal Segmentation
von: Aich, Abhishek, et al.
Veröffentlicht: (2024)

LLM-Assist: Enhancing Closed-Loop Planning with Language-Based Reasoning
von: Sharan, S P, et al.
Veröffentlicht: (2023)

Generating Enhanced Negatives for Training Language-Based Object Detectors
von: Zhao, Shiyu, et al.
Veröffentlicht: (2023)

Tuned Contrastive Learning
von: Animesh, Chaitanya, et al.
Veröffentlicht: (2023)

LLaMo: Large Language Model-based Molecular Graph Assistant
von: Park, Jinyoung, et al.
Veröffentlicht: (2024)

MoE-GRPO: Optimizing Mixture-of-Experts via Reinforcement Learning in Vision-Language Models
von: Ko, Dohwan, et al.
Veröffentlicht: (2026)

Taming Self-Training for Open-Vocabulary Object Detection
von: Zhao, Shiyu, et al.
Veröffentlicht: (2023)

ST-LINK: Spatially-Aware Large Language Models for Spatio-Temporal Forecasting
von: Jeon, Hyotaek, et al.
Veröffentlicht: (2025)

Image-Specific Adaptation of Transformer Encoders for Compute-Efficient Segmentation
von: Yao, Manyi, et al.
Veröffentlicht: (2024)

Bidirectional Likelihood Estimation with Multi-Modal Large Language Models for Text-Video Retrieval
von: Ko, Dohwan, et al.
Veröffentlicht: (2025)

Self-Training Large Language Models for Improved Visual Program Synthesis With Visual Reinforcement
von: Khan, Zaid, et al.
Veröffentlicht: (2024)

DDMI: Domain-Agnostic Latent Diffusion Models for Synthesizing High-Quality Implicit Neural Representations
von: Park, Dogyun, et al.
Veröffentlicht: (2024)

DWIM: Towards Tool-aware Visual Reasoning via Discrepancy-aware Workflow Generation & Instruct-Masking Tuning
von: Ke, Fucai, et al.
Veröffentlicht: (2025)

DocPrune:Efficient Document Question Answering via Background, Question, and Comprehension-aware Token Pruning
von: Choi, Joonmyung, et al.
Veröffentlicht: (2026)

Kinodynamic Task and Motion Planning using VLM-guided and Interleaved Sampling
von: Kwon, Minseo, et al.
Veröffentlicht: (2025)

Tell, Don't Show!: Language Guidance Eases Transfer Across Domains in Images and Videos
von: Kalluri, Tarun, et al.
Veröffentlicht: (2024)

Probabilistic Vision-Language Representation for Weakly Supervised Temporal Action Localization
von: Lim, Geuntaek, et al.
Veröffentlicht: (2024)

What to Test Next: Interpretable Coverage Gap Discovery in Driving VLMs
von: Aich, Abhishek, et al.
Veröffentlicht: (2026)

Natural Language Declarative Prompting (NLD-P): A Modular Governance Method for Prompt Design Under Model Drift
von: Kim, Hyunwoo, et al.
Veröffentlicht: (2026)

STER-VLM: Spatio-Temporal With Enhanced Reference Vision-Language Models
von: Nguyen-Nhu, Tinh-Anh, et al.
Veröffentlicht: (2025)

UDA-Bench: Revisiting Common Assumptions in Unsupervised Domain Adaptation Using a Standardized Framework
von: Kalluri, Tarun, et al.
Veröffentlicht: (2024)

Locally Orderless Images for Optimization in Differentiable Rendering
von: Mehta, Ishit, et al.
Veröffentlicht: (2025)

RAD-LAD: Rule and Language Grounded Autonomous Driving in Real-Time
von: Ghosh, Anurag, et al.
Veröffentlicht: (2026)

VGenST-Bench: A Benchmark for Spatio-Temporal Reasoning via Active Video Synthesis
von: Park, Jinho, et al.
Veröffentlicht: (2026)

Spatio-Temporal Graphs Beyond Grids: Benchmark for Maritime Anomaly Detection
von: Kim, Jeehong, et al.
Veröffentlicht: (2025)

Latent Preference Modeling for Cross-Session Personalized Tool Calling
von: Yoon, Yejin, et al.
Veröffentlicht: (2026)

Latent Bayesian Optimization via Autoregressive Normalizing Flows
von: Lee, Seunghun, et al.
Veröffentlicht: (2025)

VideoMamba: Spatio-Temporal Selective State Space Model
von: Park, Jinyoung, et al.
Veröffentlicht: (2024)

DISPATCH: Distilling Selective Patches for Speech Enhancement
von: Kim, Dohwan, et al.
Veröffentlicht: (2025)

SLIP & ETHICS: Graduated Intervention for AI Emotional Companions
von: Kim, Minseo
Veröffentlicht: (2026)

iFinder: Structured Zero-Shot Vision-Based LLM Grounding for Dash-Cam Video Reasoning
von: Yao, Manyi, et al.
Veröffentlicht: (2025)

Constant Acceleration Flow
von: Park, Dogyun, et al.
Veröffentlicht: (2024)

NERFIFY: A Multi-Agent Framework for Turning NeRF Papers into Code
von: Jain, Seemandhar, et al.
Veröffentlicht: (2026)

Rolling Sink: Bridging Limited-Horizon Training and Open-Ended Testing in Autoregressive Video Diffusion
von: Li, Haodong, et al.
Veröffentlicht: (2026)

PhyCo: Learning Controllable Physical Priors for Generative Motion
von: Narayanan, Sriram, et al.
Veröffentlicht: (2026)

ST-Booster: An Iterative SpatioTemporal Perception Booster for Vision-and-Language Navigation in Continuous Environments
von: Yue, Lu, et al.
Veröffentlicht: (2025)

LANGTRAJ: Diffusion Model and Dataset for Language-Conditioned Trajectory Simulation
von: Chang, Wei-Jer, et al.
Veröffentlicht: (2025)

Small Language Models Learn Enhanced Reasoning Skills from Medical Textbooks
von: Kim, Hyunjae, et al.
Veröffentlicht: (2024)

Relevance-aware Multi-context Contrastive Decoding for Retrieval-augmented Visual Question Answering
von: Kim, Jongha, et al.
Veröffentlicht: (2026)

Instruction-Free Tuning of Large Vision Language Models for Medical Instruction Following
von: Kang, Myeongkyun, et al.
Veröffentlicht: (2026)