Buchumschlag

VividListener: Expressive and Controllable Listener Dynamics Modeling for Multi-Modal Responsive Interaction

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Shiying, Qi, Xingqun, Yang, Bingkun, Weile, Chen, Tian, Zezhao, Sun, Muyi, Liu, Qifeng, Zhang, Man, Sun, Zhenan
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

ReMeREC: Relation-aware and Multi-entity Referring Expression Comprehension
von: Hu, Yizhi, et al.
Veröffentlicht: (2025)

RA-SSU: Towards Fine-Grained Audio-Visual Learning with Region-Aware Sound Source Understanding
von: Sun, Muyi, et al.
Veröffentlicht: (2026)

CustomListener: Text-guided Responsive Interaction for User-friendly Listening Head Generation
von: Liu, Xi, et al.
Veröffentlicht: (2024)

PolyVivid: Vivid Multi-Subject Video Generation with Cross-Modal Interaction and Enhancement
von: Hu, Teng, et al.
Veröffentlicht: (2025)

SemiTooth: a Generalizable Semi-supervised Framework for Multi-Source Tooth Segmentation
von: Sun, Muyi, et al.
Veröffentlicht: (2026)

DanceEditor: Towards Iterative Editable Music-driven Dance Generation with Open-Vocabulary Descriptions
von: Zhang, Hengyuan, et al.
Veröffentlicht: (2025)

GDPO-Listener: Expressive Interactive Head Generation via Auto-Regressive Flow Matching and Group reward-Decoupled Policy Optimization
von: Jin, Zhangyu, et al.
Veröffentlicht: (2026)

DiTaiListener: Controllable High Fidelity Listener Video Generation with Diffusion
von: Siniukov, Maksim, et al.
Veröffentlicht: (2025)

Let Storytelling Tell Vivid Stories: An Expressive and Fluent Multimodal Storyteller
von: Zang, Chuanqi, et al.
Veröffentlicht: (2024)

Leveraging WaveNet for Dynamic Listening Head Modeling from Speech
von: Nguyen, Minh-Duc, et al.
Veröffentlicht: (2024)

PolySLGen: Online Multimodal Speaking-Listening Reaction Generation in Polyadic Interaction
von: Lin, Zhi-Yi, et al.
Veröffentlicht: (2026)

Listening without Looking: Modality Bias in Audio-Visual Captioning
von: Ishikawa, Yuchi, et al.
Veröffentlicht: (2025)

EmbodiedHead: Real-Time Listening and Speaking Avatar for Conversational Agents
von: Zhang, Yu, et al.
Veröffentlicht: (2026)

Let Your Video Listen to Your Music!
von: Zhang, Xinyu, et al.
Veröffentlicht: (2025)

MoPE-CLIP: Structured Pruning for Efficient Vision-Language Models with Module-wise Pruning Error Metric
von: Lin, Haokun, et al.
Veröffentlicht: (2024)

Look, Listen, and Answer: Overcoming Biases for Audio-Visual Question Answering
von: Ma, Jie, et al.
Veröffentlicht: (2024)

Listener-Rewarded Thinking in VLMs for Image Preferences
von: Gambashidze, Alexander, et al.
Veröffentlicht: (2025)

Listen to Look into the Future: Audio-Visual Egocentric Gaze Anticipation
von: Lai, Bolin, et al.
Veröffentlicht: (2023)

End-to-end Listen, Look, Speak and Act
von: Wang, Siyin, et al.
Veröffentlicht: (2025)

Co$^{3}$Gesture: Towards Coherent Concurrent Co-speech 3D Gesture Generation with Interactive Diffusion
von: Qi, Xingqun, et al.
Veröffentlicht: (2025)

VeS: Teaching Pixels to Listen Without Supervision
von: Raj, Sajay
Veröffentlicht: (2025)

MVPortrait: Text-Guided Motion and Emotion Control for Multi-view Vivid Portrait Animation
von: Lin, Yukang, et al.
Veröffentlicht: (2025)

Listen Then See: Video Alignment with Speaker Attention
von: Agrawal, Aviral, et al.
Veröffentlicht: (2024)

Aligned Better, Listen Better for Audio-Visual Large Language Models
von: Guo, Yuxin, et al.
Veröffentlicht: (2025)

NeuroCine: Decoding Vivid Video Sequences from Human Brain Activties
von: Sun, Jingyuan, et al.
Veröffentlicht: (2024)

SkeletonAgent: An Agentic Interaction Framework for Skeleton-based Action Recognition
von: Liu, Hongda, et al.
Veröffentlicht: (2025)

Vivid-ZOO: Multi-View Video Generation with Diffusion Model
von: Li, Bing, et al.
Veröffentlicht: (2024)

Seeing, Listening, Remembering, and Reasoning: A Multimodal Agent with Long-Term Memory
von: Long, Lin, et al.
Veröffentlicht: (2025)

Listening with the Eyes: Benchmarking Egocentric Co-Speech Grounding across Space and Time
von: Zhou, Weijie, et al.
Veröffentlicht: (2026)

HairDiffusion: Vivid Multi-Colored Hair Editing via Latent Diffusion
von: Zeng, Yu, et al.
Veröffentlicht: (2024)

MusicInfuser: Making Video Diffusion Listen and Dance
von: Hong, Susung, et al.
Veröffentlicht: (2025)

Learning Disentangled Representation for One-shot Progressive Face Swapping
von: Li, Qi, et al.
Veröffentlicht: (2022)

Graph and Skipped Transformer: Exploiting Spatial and Temporal Modeling Capacities for Efficient 3D Human Pose Estimation
von: Cui, Mengmeng, et al.
Veröffentlicht: (2024)

VividDream: Generating 3D Scene with Ambient Dynamics
von: Lee, Yao-Chih, et al.
Veröffentlicht: (2024)

Listening to the Noise: Blind Denoising with Gibbs Diffusion
von: Heurtel-Depeiges, David, et al.
Veröffentlicht: (2024)

UniLS: End-to-End Audio-Driven Avatars for Unified Listening and Speaking
von: Chu, Xuangeng, et al.
Veröffentlicht: (2025)

Interactive Spatial-Frequency Fusion Mamba for Multi-Modal Image Fusion
von: Zhu, Yixin, et al.
Veröffentlicht: (2026)

Architect: Generating Vivid and Interactive 3D Scenes with Hierarchical 2D Inpainting
von: Wang, Yian, et al.
Veröffentlicht: (2024)

Look, Listen and Recognise: Character-Aware Audio-Visual Subtitling
von: Korbar, Bruno, et al.
Veröffentlicht: (2024)

A-JEPA: Joint-Embedding Predictive Architecture Can Listen
von: Fei, Zhengcong, et al.
Veröffentlicht: (2023)