:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Pan, Kaihang, Wu, Yang, Bu, Wendong, Shen, Kai, Li, Juncheng, Wang, Yingting, Li, Yunfei, Tang, Siliang, Xiao, Jun, Wu, Fei, Zhao, Hang, Zhuang, Yueting
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	https://arxiv.org/abs/2506.01480
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

FocusDiff: Advancing Fine-Grained Text-Image Alignment for Autoregressive Visual Generation through RL
von: Pan, Kaihang, et al.
Veröffentlicht: (2025)

SpatialFusion: Endowing Unified Image Generation with Intrinsic 3D Geometric Awareness
von: Qiu, Haiyi, et al.
Veröffentlicht: (2026)

What Limits Virtual Agent Application? OmniBench: A Scalable Multi-Dimensional Benchmark for Essential Virtual Agent Capabilities
von: Bu, Wendong, et al.
Veröffentlicht: (2025)

Generalist Virtual Agents: A Survey on Autonomous Agents Across Digital Platforms
von: Gao, Minghe, et al.
Veröffentlicht: (2024)

OmniMoGen: Unifying Human Motion Generation via Learning from Interleaved Text-Motion Instructions
von: Bu, Wendong, et al.
Veröffentlicht: (2025)

Mastering Collaborative Multi-modal Data Selection: A Focus on Informativeness, Uniqueness, and Representativeness
von: Yu, Qifan, et al.
Veröffentlicht: (2024)

Towards Meta-Cognitive Knowledge Editing for Multimodal LLMs
von: Fan, Zhaoyu, et al.
Veröffentlicht: (2025)

CORE: Code-based Inverse Self-Training Framework with Graph Expansion for Virtual Agents
von: Wang, Keyu, et al.
Veröffentlicht: (2026)

WiseEdit: Benchmarking Cognition- and Creativity-Informed Image Editing
von: Pan, Kaihang, et al.
Veröffentlicht: (2025)

AnyEdit: Mastering Unified High-Quality Image Editing for Any Idea
von: Yu, Qifan, et al.
Veröffentlicht: (2024)

Iris: Breaking GUI Complexity with Adaptive Focus and Self-Refining
von: Ge, Zhiqi, et al.
Veröffentlicht: (2024)

KCM: KAN-Based Collaboration Models Enhance Pretrained Large Models
von: Dai, Guangyu, et al.
Veröffentlicht: (2025)

Momentor: Advancing Video Large Language Model with Fine-Grained Temporal Reasoning
von: Qian, Long, et al.
Veröffentlicht: (2024)

Auto-Encoding Morph-Tokens for Multimodal LLM
von: Pan, Kaihang, et al.
Veröffentlicht: (2024)

InstructVid2Vid: Controllable Video Editing with Natural Language Instructions
von: Qin, Bosheng, et al.
Veröffentlicht: (2023)

Towards Unified Multimodal Editing with Enhanced Knowledge Collaboration
von: Pan, Kaihang, et al.
Veröffentlicht: (2024)

T2S-GPT: Dynamic Vector Quantization for Autoregressive Sign Language Production from Text
von: Yin, Aoxiong, et al.
Veröffentlicht: (2024)

Benchmarking Multimodal CoT Reward Model Stepwise by Visual Program
von: Gao, Minghe, et al.
Veröffentlicht: (2025)

Ask Questions with Double Hints: Visual Question Generation with Answer-awareness and Region-reference
von: Shen, Kai, et al.
Veröffentlicht: (2024)

Fine-tuning Multimodal LLMs to Follow Zero-shot Demonstrative Instructions
von: Li, Juncheng, et al.
Veröffentlicht: (2023)

STEP: Enhancing Video-LLMs' Compositional Reasoning by Spatio-Temporal Graph-guided Self-Training
von: Qiu, Haiyi, et al.
Veröffentlicht: (2024)

Boosting Virtual Agent Learning and Reasoning: A Step-Wise, Multi-Dimensional, and Generalist Reward Model with Benchmark
von: Miao, Bingchen, et al.
Veröffentlicht: (2025)

Bridging Local Details and Global Context in Text-Attributed Graphs
von: Wang, Yaoke, et al.
Veröffentlicht: (2024)

DuetRAG: Collaborative Retrieval-Augmented Generation
von: Jiao, Dian, et al.
Veröffentlicht: (2024)

De-fine: Decomposing and Refining Visual Programs with Auto-Feedback
von: Gao, Minghe, et al.
Veröffentlicht: (2023)

WorldGPT: Empowering LLM as Multimodal World Model
von: Ge, Zhiqi, et al.
Veröffentlicht: (2024)

HalluciDoctor: Mitigating Hallucinatory Toxicity in Visual Instruction Data
von: Yu, Qifan, et al.
Veröffentlicht: (2023)

Robust Modality-incomplete Anomaly Detection: A Modality-instructive Framework with Benchmark
von: Miao, Bingchen, et al.
Veröffentlicht: (2024)

GMFVAD: Using Grained Multi-modal Feature to Improve Video Anomaly Detection
von: Dai, Guangyu, et al.
Veröffentlicht: (2025)

Chart-HQA: A Benchmark for Hypothetical Question Answering in Charts
von: Chen, Xiangnan, et al.
Veröffentlicht: (2025)

SOYO: A Tuning-Free Approach for Video Style Morphing via Style-Adaptive Interpolation in Diffusion Models
von: Zheng, Haoyu, et al.
Veröffentlicht: (2025)

TeamLoRA: Boosting Low-Rank Adaptation with Expert Collaboration and Competition
von: Lin, Tianwei, et al.
Veröffentlicht: (2024)

InstructSAM: Segment Any Instance with Any Instructions
von: Yuan, Yuqian, et al.
Veröffentlicht: (2026)

Learning to Adapt: Self-Improving Web Agent via Cognitive-Aware Exploration
von: Chen, Weile, et al.
Veröffentlicht: (2026)

Unified Generative and Discriminative Training for Multi-modal Large Language Models
von: Chow, Wei, et al.
Veröffentlicht: (2024)

Generative Multimodal Pretraining with Discrete Diffusion Timestep Tokens
von: Pan, Kaihang, et al.
Veröffentlicht: (2025)

I3: Intent-Introspective Retrieval Conditioned on Instructions
von: Pan, Kaihang, et al.
Veröffentlicht: (2023)

MAKIMA: Tuning-free Multi-Attribute Open-domain Video Editing via Mask-Guided Attention Modulation
von: Zheng, Haoyu, et al.
Veröffentlicht: (2024)

LASER: Tuning-Free LLM-Driven Attention Control for Efficient Text-conditioned Image-to-Animation
von: Zheng, Haoyu, et al.
Veröffentlicht: (2024)

Logic Distillation: Learning from Code Function by Function for Decision-making Tasks
von: Chen, Dong, et al.
Veröffentlicht: (2024)