Marmot: Object-Level Self-Correction via Multi-Agent Reasoning
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Sun, Jiayang, Wang, Hongbo, Cao, Jie, Huang, Huaibo, He, Ran |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
MVPBench: A Multi-Video Perception Evaluation Benchmark for Multi-Modal Video Understanding
par: Bai, Purui, et autres
Publié: (2026)
par: Bai, Purui, et autres
Publié: (2026)
ZePo: Zero-Shot Portrait Stylization with Faster Sampling
par: Liu, Jin, et autres
Publié: (2024)
par: Liu, Jin, et autres
Publié: (2024)
Vision Transformer with Super Token Sampling
par: Huang, Huaibo, et autres
Publié: (2022)
par: Huang, Huaibo, et autres
Publié: (2022)
Breaking the Low-Rank Dilemma of Linear Attention
par: Fan, Qihang, et autres
Publié: (2024)
par: Fan, Qihang, et autres
Publié: (2024)
LoRA-IR: Taming Low-Rank Experts for Efficient All-in-One Image Restoration
par: Ai, Yuang, et autres
Publié: (2024)
par: Ai, Yuang, et autres
Publié: (2024)
NOFT: Test-Time Noise Finetune via Information Bottleneck for Highly Correlated Asset Creation
par: Li, Jia, et autres
Publié: (2025)
par: Li, Jia, et autres
Publié: (2025)
Think 360°: Evaluating the Width-centric Reasoning Capability of MLLMs Beyond Depth
par: Chen, Mingrui, et autres
Publié: (2026)
par: Chen, Mingrui, et autres
Publié: (2026)
Unlocking the Potential of Difficulty Prior in RL-based Multimodal Reasoning
par: Chen, Mingrui, et autres
Publié: (2025)
par: Chen, Mingrui, et autres
Publié: (2025)
InfoBFR: Real-World Blind Face Restoration via Information Bottleneck
par: Gao, Nan, et autres
Publié: (2025)
par: Gao, Nan, et autres
Publié: (2025)
Rectifying Magnitude Neglect in Linear Attention
par: Fan, Qihang, et autres
Publié: (2025)
par: Fan, Qihang, et autres
Publié: (2025)
Semantic Equitable Clustering: A Simple and Effective Strategy for Clustering Vision Tokens
par: Fan, Qihang, et autres
Publié: (2024)
par: Fan, Qihang, et autres
Publié: (2024)
Random Wins All: Rethinking Grouping Strategies for Vision Tokens
par: Fan, Qihang, et autres
Publié: (2026)
par: Fan, Qihang, et autres
Publié: (2026)
Lightweight Vision Transformer with Bidirectional Interaction
par: Fan, Qihang, et autres
Publié: (2023)
par: Fan, Qihang, et autres
Publié: (2023)
NEXT: Multi-Grained Mixture of Experts via Text-Modulation for Multi-Modal Object Re-Identification
par: Li, Shihao, et autres
Publié: (2025)
par: Li, Shihao, et autres
Publié: (2025)
DiffMAC: Diffusion Manifold Hallucination Correction for High Generalization Blind Face Restoration
par: Gao, Nan, et autres
Publié: (2024)
par: Gao, Nan, et autres
Publié: (2024)
Multimodal Prompt Perceiver: Empower Adaptiveness, Generalizability and Fidelity for All-in-One Image Restoration
par: Ai, Yuang, et autres
Publié: (2023)
par: Ai, Yuang, et autres
Publié: (2023)
Parallel Augmentation and Dual Enhancement for Occluded Person Re-identification
par: Wang, Zi, et autres
Publié: (2022)
par: Wang, Zi, et autres
Publié: (2022)
Breaking Complexity Barriers: High-Resolution Image Restoration with Rank Enhanced Linear Attention
par: Ai, Yuang, et autres
Publié: (2025)
par: Ai, Yuang, et autres
Publié: (2025)
RMT: Retentive Networks Meet Vision Transformers
par: Fan, Qihang, et autres
Publié: (2023)
par: Fan, Qihang, et autres
Publié: (2023)
Advancing Vision Transformer with Enhanced Spatial Priors
par: Fan, Qihang, et autres
Publié: (2026)
par: Fan, Qihang, et autres
Publié: (2026)
Uncertainty-Aware Source-Free Adaptive Image Super-Resolution with Wavelet Augmentation Transformer
par: Ai, Yuang, et autres
Publié: (2023)
par: Ai, Yuang, et autres
Publié: (2023)
Are GUI Agents Focused Enough? Automated Distraction via Semantic-level UI Element Injection
par: Yang, Wenkui, et autres
Publié: (2026)
par: Yang, Wenkui, et autres
Publié: (2026)
DiCo: Revitalizing ConvNets for Scalable and Efficient Diffusion Modeling
par: Ai, Yuang, et autres
Publié: (2025)
par: Ai, Yuang, et autres
Publié: (2025)
Straighter Flow Matching via a Diffusion-Based Coupling Prior
par: Xing, Siyu, et autres
Publié: (2023)
par: Xing, Siyu, et autres
Publié: (2023)
Visual Reasoning Tracer: Object-Level Grounded Reasoning Benchmark
par: Yuan, Haobo, et autres
Publié: (2025)
par: Yuan, Haobo, et autres
Publié: (2025)
Reasoning-Driven Amodal Completion: Collaborative Agents and Perceptual Evaluation
par: Fan, Hongxing, et autres
Publié: (2025)
par: Fan, Hongxing, et autres
Publié: (2025)
Visual-Linguistic Agent: Towards Collaborative Contextual Object Reasoning
par: Yang, Jingru, et autres
Publié: (2024)
par: Yang, Jingru, et autres
Publié: (2024)
Visual Anchors Are Strong Information Aggregators For Multimodal Large Language Model
par: Liu, Haogeng, et autres
Publié: (2024)
par: Liu, Haogeng, et autres
Publié: (2024)
Expand and Prune: Maximizing Trajectory Diversity for Effective GRPO in Generative Models
par: Ge, Shiran, et autres
Publié: (2025)
par: Ge, Shiran, et autres
Publié: (2025)
Vision Transformer with Sparse Scan Prior
par: Zhang, Yuguang, et autres
Publié: (2024)
par: Zhang, Yuguang, et autres
Publié: (2024)
Towards Robust Defense against Customization via Protective Perturbation Resistant to Diffusion-based Purification
par: Yang, Wenkui, et autres
Publié: (2025)
par: Yang, Wenkui, et autres
Publié: (2025)
GenVideoLens: Where LVLMs Fall Short in AI-Generated Video Detection?
par: Zou, Yueying, et autres
Publié: (2026)
par: Zou, Yueying, et autres
Publié: (2026)
Object-IR: Leveraging Object Consistency and Mesh Deformation for Self-Supervised Image Retargeting
par: Liao, Tianli, et autres
Publié: (2025)
par: Liao, Tianli, et autres
Publié: (2025)
InfiMM-WebMath-40B: Advancing Multimodal Pre-Training for Enhanced Mathematical Reasoning
par: Han, Xiaotian, et autres
Publié: (2024)
par: Han, Xiaotian, et autres
Publié: (2024)
Weakly Supervised 3D Object Detection via Multi-Level Visual Guidance
par: Huang, Kuan-Chih, et autres
Publié: (2023)
par: Huang, Kuan-Chih, et autres
Publié: (2023)
Survey on AI-Generated Media Detection: From Non-MLLM to MLLM
par: Zou, Yueying, et autres
Publié: (2025)
par: Zou, Yueying, et autres
Publié: (2025)
ViTAR: Vision Transformer with Any Resolution
par: Fan, Qihang, et autres
Publié: (2024)
par: Fan, Qihang, et autres
Publié: (2024)
PartHOI: Part-based Hand-Object Interaction Transfer via Generalized Cylinders
par: Wang, Qiaochu, et autres
Publié: (2025)
par: Wang, Qiaochu, et autres
Publié: (2025)
Refer-Agent: A Collaborative Multi-Agent System with Reasoning and Reflection for Referring Video Object Segmentation
par: Jiang, Haichao, et autres
Publié: (2026)
par: Jiang, Haichao, et autres
Publié: (2026)
CrossTracker: Robust Multi-modal 3D Multi-Object Tracking via Cross Correction
par: Gu, Lipeng, et autres
Publié: (2024)
par: Gu, Lipeng, et autres
Publié: (2024)
Documents similaires
-
MVPBench: A Multi-Video Perception Evaluation Benchmark for Multi-Modal Video Understanding
par: Bai, Purui, et autres
Publié: (2026) -
ZePo: Zero-Shot Portrait Stylization with Faster Sampling
par: Liu, Jin, et autres
Publié: (2024) -
Vision Transformer with Super Token Sampling
par: Huang, Huaibo, et autres
Publié: (2022) -
Breaking the Low-Rank Dilemma of Linear Attention
par: Fan, Qihang, et autres
Publié: (2024) -
LoRA-IR: Taming Low-Rank Experts for Efficient All-in-One Image Restoration
par: Ai, Yuang, et autres
Publié: (2024)