Buchumschlag

Learning from Videos for 3D World: Enhancing MLLMs with 3D Vision Geometry Priors

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zheng, Duo, Huang, Shijia, Li, Yanyang, Wang, Liwei
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Video-3D LLM: Learning Position-Aware Video Representation for 3D Scene Understanding
von: Zheng, Duo, et al.
Veröffentlicht: (2024)

Efficient-VLN: A Training-Efficient Vision-Language Navigation Model
von: Zheng, Duo, et al.
Veröffentlicht: (2025)

Towards Learning a Generalist Model for Embodied Navigation
von: Zheng, Duo, et al.
Veröffentlicht: (2023)

WorldWarp: Propagating 3D Geometry with Asynchronous Video Diffusion
von: Kong, Hanyang, et al.
Veröffentlicht: (2025)

VideoGPA: Distilling Geometry Priors for 3D-Consistent Video Generation
von: Du, Hongyang, et al.
Veröffentlicht: (2026)

Beyond 3D VQAs: Injecting 3D Spatial Priors into Vision-Language Models for Enhanced Geometric Reasoning
von: Yeh, Chun-Hsiao, et al.
Veröffentlicht: (2026)

Geometry Forcing: Marrying Video Diffusion and 3D Representation for Consistent World Modeling
von: Wu, Haoyu, et al.
Veröffentlicht: (2025)

3DGS-Enhancer: Enhancing Unbounded 3D Gaussian Splatting with View-consistent 2D Diffusion Priors
von: Liu, Xi, et al.
Veröffentlicht: (2024)

WorldReel: 4D Video Generation with Consistent Geometry and Motion Modeling
von: Fang, Shaoheng, et al.
Veröffentlicht: (2025)

Enhancing Temporal Modeling of Video LLMs via Time Gating
von: Hu, Zi-Yuan, et al.
Veröffentlicht: (2024)

How Far are AI-generated Videos from Simulating the 3D Visual World: A Learned 3D Evaluation Approach
von: Chang, Chirui, et al.
Veröffentlicht: (2024)

Unified 4D World Action Modeling from Video Priors with Asynchronous Denoising
von: Guo, Jun, et al.
Veröffentlicht: (2026)

Enhancing Subsequent Video Retrieval via Vision-Language Models (VLMs)
von: Duan, Yicheng, et al.
Veröffentlicht: (2025)

Efficient3D: A Unified Framework for Adaptive and Debiased Token Reduction in 3D MLLMs
von: Lin, Yuhui, et al.
Veröffentlicht: (2026)

Argus: Benchmarking and Enhancing Vision-Language Models for 3D Radiology Report Generation
von: Liu, Che, et al.
Veröffentlicht: (2024)

Textured 3D Regenerative Morphing with 3D Diffusion Prior
von: Yang, Songlin, et al.
Veröffentlicht: (2025)

S$^2$-MLLM: Boosting Spatial Reasoning Capability of MLLMs for 3D Visual Grounding with Structural Guidance
von: Xu, Beining, et al.
Veröffentlicht: (2025)

Dual-Domain Representation Alignment: Bridging 2D and 3D Vision via Geometry-Aware Architecture Search
von: Zhang, Haoyu, et al.
Veröffentlicht: (2026)

3D-RFT: Reinforcement Fine-Tuning for Video-based 3D Scene Understanding
von: Linghu, Xiongkun, et al.
Veröffentlicht: (2026)

VisionGPT-3D: A Generalized Multimodal Agent for Enhanced 3D Vision Understanding
von: Kelly, Chris, et al.
Veröffentlicht: (2024)

MG-3D: Multi-Grained Knowledge-Enhanced 3D Medical Vision-Language Pre-training
von: Ni, Xuefeng, et al.
Veröffentlicht: (2024)

GEPAR3D: Geometry Prior-Assisted Learning for 3D Tooth Segmentation
von: Szczepański, Tomasz, et al.
Veröffentlicht: (2025)

Points-to-3D: Structure-Aware 3D Generation with Point Cloud Priors
von: Xia, Jiatong, et al.
Veröffentlicht: (2026)

GeoWorld-VLM: Geometry from World Models for Vision-Language Models
von: Gu, Renjie, et al.
Veröffentlicht: (2026)

EAG3R: Event-Augmented 3D Geometry Estimation for Dynamic and Extreme-Lighting Scenes
von: Wu, Xiaoshan, et al.
Veröffentlicht: (2025)

GARF: Learning Generalizable 3D Reassembly for Real-World Fractures
von: Li, Sihang, et al.
Veröffentlicht: (2025)

GFlow: Recovering 4D World from Monocular Video
von: Wang, Shizun, et al.
Veröffentlicht: (2024)

Point-DETR3D: Leveraging Imagery Data with Spatial Point Prior for Weakly Semi-supervised 3D Object Detection
von: Gao, Hongzhi, et al.
Veröffentlicht: (2024)

Spatial 3D-LLM: Exploring Spatial Awareness in 3D Vision-Language Models
von: Wang, Xiaoyan, et al.
Veröffentlicht: (2025)

PanoWorld: Geometry-Consistent Panoramic Video World Modeling
von: Jiang, Le, et al.
Veröffentlicht: (2026)

Interact3D: Compositional 3D Generation of Interactive Objects
von: Shan, Hui, et al.
Veröffentlicht: (2026)

NOVA3D: Normal Aligned Video Diffusion Model for Single Image to 3D Generation
von: Yang, Yuxiao, et al.
Veröffentlicht: (2025)

GaussianFormer: Scene as Gaussians for Vision-Based 3D Semantic Occupancy Prediction
von: Huang, Yuanhui, et al.
Veröffentlicht: (2024)

GeometryCrafter: Consistent Geometry Estimation for Open-world Videos with Diffusion Priors
von: Xu, Tian-Xing, et al.
Veröffentlicht: (2025)

Learning 3D Robotics Perception using Inductive Priors
von: Irshad, Muhammad Zubair
Veröffentlicht: (2024)

Taming Hallucinations: Boosting MLLMs' Video Understanding via Counterfactual Video Generation
von: Huang, Zhe, et al.
Veröffentlicht: (2025)

Dream2Flow: Bridging Video Generation and Open-World Manipulation with 3D Object Flow
von: Dharmarajan, Karthik, et al.
Veröffentlicht: (2025)

RynnEC: Bringing MLLMs into Embodied World
von: Dang, Ronghao, et al.
Veröffentlicht: (2025)

How Much 3D Do Video Foundation Models Encode?
von: Huang, Zixuan, et al.
Veröffentlicht: (2025)

VAP-Diffusion: Enriching Descriptions with MLLMs for Enhanced Medical Image Generation
von: Huang, Peng, et al.
Veröffentlicht: (2025)