Copertina

Harmonizing Visual Representations for Unified Multimodal Understanding and Generation

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Wu, Size, Zhang, Wenwei, Xu, Lumin, Jin, Sheng, Wu, Zhonghua, Tao, Qingyi, Liu, Wentao, Li, Wei, Loy, Chen Change
Natura:	Preprint
Pubblicazione:	2025
Soggetti:	Computer Vision and Pattern Recognition
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

OpenUni: A Simple Baseline for Unified Multimodal Understanding and Generation
di: Wu, Size, et al.
Pubblicazione: (2025)

F-LMM: Grounding Frozen Large Multimodal Models
di: Wu, Size, et al.
Pubblicazione: (2024)

CLIPSelf: Vision Transformer Distills Itself for Open-Vocabulary Dense Prediction
di: Wu, Size, et al.
Pubblicazione: (2023)

Thinking with Camera: A Unified Multimodal Model for Camera-Centric Understanding and Generation
di: Liao, Kang, et al.
Pubblicazione: (2025)

Next Visual Granularity Generation
di: Wang, Yikai, et al.
Pubblicazione: (2025)

DST-Det: Simple Dynamic Self-Training for Open-Vocabulary Object Detection
di: Xu, Shilin, et al.
Pubblicazione: (2023)

SA-LUT: Spatial Adaptive 4D Look-Up Table for Photorealistic Style Transfer
di: Gong, Zerui, et al.
Pubblicazione: (2025)

Controllable Human-centric Keyframe Interpolation with Generative Prior
di: Guo, Zujin, et al.
Pubblicazione: (2025)

MOWA: Multiple-in-One Image Warping Model
di: Liao, Kang, et al.
Pubblicazione: (2024)

OMG-Seg: Is One Model Good Enough For All Segmentation?
di: Li, Xiangtai, et al.
Pubblicazione: (2024)

MatAnyone: Stable Video Matting with Consistent Memory Propagation
di: Yang, Peiqing, et al.
Pubblicazione: (2025)

UniFS: Universal Few-shot Instance Perception with Point Representations
di: Jin, Sheng, et al.
Pubblicazione: (2024)

AITTI: Learning Adaptive Inclusive Token for Text-to-Image Generation
di: Hou, Xinyu, et al.
Pubblicazione: (2024)

Enhanced Generative Structure Prior for Chinese Text Image Super-resolution
di: Li, Xiaoming, et al.
Pubblicazione: (2025)

Generalizable Implicit Motion Modeling for Video Frame Interpolation
di: Guo, Zujin, et al.
Pubblicazione: (2024)

UniToken: Harmonizing Multimodal Understanding and Generation through Unified Visual Encoding
di: Jiao, Yang, et al.
Pubblicazione: (2025)

Transformer-Based Visual Segmentation: A Survey
di: Li, Xiangtai, et al.
Pubblicazione: (2023)

MVIP-NeRF: Multi-view 3D Inpainting on NeRF Scenes via Diffusion Prior
di: Chen, Honghua, et al.
Pubblicazione: (2024)

TCFormer: Visual Recognition via Token Clustering Transformer
di: Zeng, Wang, et al.
Pubblicazione: (2024)

DifFace: Blind Face Restoration with Diffused Error Contraction
di: Yue, Zongsheng, et al.
Pubblicazione: (2022)

Contextual Object Detection with Multimodal Large Language Models
di: Zang, Yuhang, et al.
Pubblicazione: (2023)

Kalman-Inspired Feature Propagation for Video Face Super-Resolution
di: Feng, Ruicheng, et al.
Pubblicazione: (2024)

Generative Photographic Control for Scene-Consistent Video Cinematic Editing
di: Sun, Huiqiang, et al.
Pubblicazione: (2025)

Control Color: Multimodal Diffusion-based Interactive Image Colorization
di: Liang, Zhexin, et al.
Pubblicazione: (2024)

OMG-LLaVA: Bridging Image-level, Object-level, Pixel-level Reasoning and Understanding
di: Zhang, Tao, et al.
Pubblicazione: (2024)

Knowledge Visualization: A Benchmark and Method for Knowledge-Intensive Text-to-Image Generation
di: Zhao, Ran, et al.
Pubblicazione: (2026)

GKGNet: Group K-Nearest Neighbor based Graph Convolutional Network for Multi-Label Image Recognition
di: Yao, Ruijie, et al.
Pubblicazione: (2023)

Learning 3D Garment Animation from Trajectories of A Piece of Cloth
di: Shao, Yidi, et al.
Pubblicazione: (2025)

KptLLM++: Towards Generic Keypoint Comprehension with Large Language Model
di: Yang, Jie, et al.
Pubblicazione: (2025)

JanusFlow: Harmonizing Autoregression and Rectified Flow for Unified Multimodal Understanding and Generation
di: Ma, Yiyang, et al.
Pubblicazione: (2024)

KptLLM: Unveiling the Power of Large Language Model for Keypoint Comprehension
di: Yang, Jie, et al.
Pubblicazione: (2024)

HYDRA: Unifying Multi-modal Generation and Understanding via Representation-Harmonized Tokenization
di: Qiu, Xuerui, et al.
Pubblicazione: (2026)

Sigma: Semantically Informative Pre-training for Skeleton-based Sign Language Understanding
di: Pu, Muxin, et al.
Pubblicazione: (2025)

ObjCtrl-2.5D: Training-free Object Control with Camera Poses
di: Wang, Zhouxia, et al.
Pubblicazione: (2024)

Denoising as Adaptation: Noise-Space Domain Adaptation for Image Restoration
di: Liao, Kang, et al.
Pubblicazione: (2024)

Omegance: A Single Parameter for Various Granularities in Diffusion-Based Synthesis
di: Hou, Xinyu, et al.
Pubblicazione: (2024)

Trans-Adapter: A Plug-and-Play Framework for Transparent Image Inpainting
di: Dai, Yuekun, et al.
Pubblicazione: (2025)

FRESCO: Spatial-Temporal Correspondence for Zero-Shot Video Translation
di: Yang, Shuai, et al.
Pubblicazione: (2024)

EdgeSAM: Prompt-In-the-Loop Distillation for SAM
di: Zhou, Chong, et al.
Pubblicazione: (2023)

MEAT: Multiview Diffusion Model for Human Generation on Megapixels with Mesh Attention
di: Wang, Yuhan, et al.
Pubblicazione: (2025)