:: Library Catalog

Copertina

Salvato in:

Dettagli Bibliografici
Autori principali:	Meng, Jiahao, Sun, Shuyang, Tan, Yue, Qi, Lu, Tong, Yunhai, Li, Xiangtai, Wen, Longyin
Natura:	Preprint
Pubblicazione:	2025
Soggetti:	Computer Vision and Pattern Recognition
Accesso online:	https://arxiv.org/abs/2506.07971
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

Decouple and Track: Benchmarking and Improving Video Diffusion Transformers for Motion Transfer
di: Shi, Qingyu, et al.
Pubblicazione: (2025)

Open-o3-Video: Grounded Video Reasoning with Explicit Spatio-Temporal Evidence
di: Meng, Jiahao, et al.
Pubblicazione: (2025)

Sa2VA: Marrying SAM2 with LLaVA for Dense Grounded Understanding of Images and Videos
di: Yuan, Haobo, et al.
Pubblicazione: (2025)

VideoZeroBench: Probing the Limits of Video MLLMs with Spatio-Temporal Evidence Verification
di: Meng, Jiahao, et al.
Pubblicazione: (2026)

SemFlow: Binding Semantic Segmentation and Image Synthesis via Rectified Flow
di: Wang, Chaoyang, et al.
Pubblicazione: (2024)

DreamRelation: Bridging Customization and Relation Generation
di: Shi, Qingyu, et al.
Pubblicazione: (2024)

Conditional Panoramic Image Generation via Masked Autoregressive Modeling
di: Wang, Chaoyang, et al.
Pubblicazione: (2025)

LLAVADI: What Matters For Multimodal Large Language Models Distillation
di: Xu, Shilin, et al.
Pubblicazione: (2024)

VG4D: Vision-Language Model Goes 4D Video Recognition
di: Deng, Zhichao, et al.
Pubblicazione: (2024)

Beyond Raw Videos: Understanding Edited Videos with Large Multimodal Model
di: Xu, Lu, et al.
Pubblicazione: (2024)

MotionBooth: Motion-Aware Customized Text-to-Video Generation
di: Wu, Jianzong, et al.
Pubblicazione: (2024)

Explore In-Context Segmentation via Latent Diffusion Models
di: Wang, Chaoyang, et al.
Pubblicazione: (2024)

DiffSensei: Bridging Multi-Modal LLMs and Diffusion Models for Customized Manga Generation
di: Wu, Jianzong, et al.
Pubblicazione: (2024)

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

Are They the Same? Exploring Visual Correspondence Shortcomings of Multimodal LLMs
di: Zhou, Yikang, et al.
Pubblicazione: (2025)

Vidi: Large Multimodal Models for Video Understanding and Editing
di: Vidi Team, et al.
Pubblicazione: (2025)

Video Prediction Transformers without Recurrence or Convolution
di: Tang, Yujin, et al.
Pubblicazione: (2024)

Dense360: Dense Understanding from Omnidirectional Panoramas
di: Zhou, Yikang, et al.
Pubblicazione: (2025)

Generative Classifier for Domain Generalization
di: Long, Shaocong, et al.
Pubblicazione: (2025)

RecTok: Reconstruction Distillation along Rectified Flow
di: Shi, Qingyu, et al.
Pubblicazione: (2025)

One-Step Distillation of Discrete Diffusion Image Generators via Fixed-Point Iteration
di: Wang, Chaoyang, et al.
Pubblicazione: (2026)

Towards Language-Driven Video Inpainting via Multimodal Large Language Models
di: Wu, Jianzong, et al.
Pubblicazione: (2024)

Unified Dense Prediction of Video Diffusion
di: Yang, Lehan, et al.
Pubblicazione: (2025)

CuMo: Scaling Multimodal LLM with Co-Upcycled Mixture-of-Experts
di: Li, Jiachen, et al.
Pubblicazione: (2024)

Thought Graph Traversal for Test-time Scaling in Chest X-ray VLLMs
di: Yao, Yue, et al.
Pubblicazione: (2025)

Accurate and Fast Compressed Video Captioning
di: Shen, Yaojie, et al.
Pubblicazione: (2023)

Grasp Any Region: Towards Precise, Contextual Pixel Understanding for Multimodal LLMs
di: Wang, Haochen, et al.
Pubblicazione: (2025)

Edit3K: Universal Representation Learning for Video Editing Components
di: Gu, Xin, et al.
Pubblicazione: (2024)

DC-SAM: In-Context Segment Anything in Images and Videos via Dual Consistency
di: Qi, Mengshi, et al.
Pubblicazione: (2025)

RMP-SAM: Towards Real-Time Multi-Purpose Segment Anything
di: Xu, Shilin, et al.
Pubblicazione: (2024)

EchoFoley: Event-Centric Hierarchical Control for Video Grounded Creative Sound Generation
di: Li, Bingxuan, et al.
Pubblicazione: (2025)

AdaVideoRAG: Omni-Contextual Adaptive Retrieval-Augmented Efficient Long Video Understanding
di: Xue, Zhucun, et al.
Pubblicazione: (2025)

PanopticPartFormer++: A Unified and Decoupled View for Panoptic Part Segmentation
di: Li, Xiangtai, et al.
Pubblicazione: (2023)

Video Mamba Suite: State Space Model as a Versatile Alternative for Video Understanding
di: Chen, Guo, et al.
Pubblicazione: (2024)

D-Attn: Decomposed Attention for Large Vision-and-Language Models
di: Kuo, Chia-Wen, et al.
Pubblicazione: (2025)

VEBench:Benchmarking Large Multimodal Models for Real-World Video Editing
di: Deng, Andong, et al.
Pubblicazione: (2026)

BusterX: MLLM-Powered AI-Generated Video Forgery Detection and Explanation
di: Wen, Haiquan, et al.
Pubblicazione: (2025)

Mixed-R1: Unified Reward Perspective For Reasoning Capability in Multimodal Large Language Models
di: Xu, Shilin, et al.
Pubblicazione: (2025)

V-CORE: Temporally Consistent Video Understanding for Video-LLM
di: Kang, Zhengjian, et al.
Pubblicazione: (2026)

Referring Layer Decomposition
di: Chen, Fangyi, et al.
Pubblicazione: (2026)