Buchumschlag

Vision Generalist Model: A Survey

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Ziyi, Rao, Yongming, Sun, Shuofeng, Liu, Xinrun, Wei, Yi, Yu, Xumin, Liu, Zuyan, Wang, Yanbo, Liu, Hongmin, Zhou, Jie, Lu, Jiwen
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

Chain-of-Spot: Interactive Reasoning Improves Large Vision-Language Models
von: Liu, Zuyan, et al.
Veröffentlicht: (2024)

SparseMM: Head Sparsity Emerges from Visual Concept Responses in MLLMs
von: Wang, Jiahui, et al.
Veröffentlicht: (2025)

X-3D: Explicit 3D Structure Modeling for Point Cloud Recognition
von: Sun, Shuofeng, et al.
Veröffentlicht: (2024)

XMask3D: Cross-modal Mask Reasoning for Open Vocabulary 3D Semantic Segmentation
von: Wang, Ziyi, et al.
Veröffentlicht: (2024)

Efficient Inference of Vision Instruction-Following Models with Elastic Cache
von: Liu, Zuyan, et al.
Veröffentlicht: (2024)

Oryx MLLM: On-Demand Spatial-Temporal Understanding at Arbitrary Resolution
von: Liu, Zuyan, et al.
Veröffentlicht: (2024)

GeoVista: Web-Augmented Agentic Visual Reasoning for Geolocalization
von: Wang, Yikun, et al.
Veröffentlicht: (2025)

Ola: Pushing the Frontiers of Omni-Modal Language Model
von: Liu, Zuyan, et al.
Veröffentlicht: (2025)

OGGSplat: Open Gaussian Growing for Generalizable Reconstruction with Expanded Field-of-View
von: Wang, Yanbo, et al.
Veröffentlicht: (2025)

3D Small Object Detection with Dynamic Spatial Pruning
von: Xu, Xiuwei, et al.
Veröffentlicht: (2023)

Insight-V++: Towards Advanced Long-Chain Visual Reasoning with Multimodal Large Language Models
von: Dong, Yuhao, et al.
Veröffentlicht: (2026)

FlowTurbo: Towards Real-time Flow-Based Image Generation with Velocity Refiner
von: Zhao, Wenliang, et al.
Veröffentlicht: (2024)

Insight-V: Exploring Long-Chain Visual Reasoning with Multimodal Large Language Models
von: Dong, Yuhao, et al.
Veröffentlicht: (2024)

Length Matters: Length-Aware Transformer for Temporal Sentence Grounding
von: Wang, Yifan, et al.
Veröffentlicht: (2025)

UniPre3D: Unified Pre-training of 3D Point Cloud Models with Cross-Modal Gaussian Splatting
von: Wang, Ziyi, et al.
Veröffentlicht: (2025)

GlobalMamba: Global Image Serialization for Vision Mamba
von: Wang, Chengkun, et al.
Veröffentlicht: (2024)

GLID: Pre-training a Generalist Encoder-Decoder Vision Model
von: Liu, Jihao, et al.
Veröffentlicht: (2024)

EfficientLLaVA:Generalizable Auto-Pruning for Large Vision-language Models
von: Liang, Yinan, et al.
Veröffentlicht: (2025)

Q-VLM: Post-training Quantization for Large Vision-Language Models
von: Wang, Changyuan, et al.
Veröffentlicht: (2024)

HY-Embodied-0.5: Embodied Foundation Models for Real-World Agents
von: X, Tencent Robotics, et al.
Veröffentlicht: (2026)

What Matters in Building Vision-Language-Action Models for Generalist Robots
von: Li, Xinghang, et al.
Veröffentlicht: (2024)

Joint 3D Geometry Reconstruction and Motion Generation for 4D Synthesis from a Single Image
von: Zhang, Yanran, et al.
Veröffentlicht: (2025)

VisionLLM v2: An End-to-End Generalist Multimodal Large Language Model for Hundreds of Vision-Language Tasks
von: Wu, Jiannan, et al.
Veröffentlicht: (2024)

OmniEdit: Building Image Editing Generalist Models Through Specialist Supervision
von: Wei, Cong, et al.
Veröffentlicht: (2024)

From Generalist to Specialist: Adapting Vision Language Models via Task-Specific Visual Instruction Tuning
von: Bai, Yang, et al.
Veröffentlicht: (2024)

Modality-Specialized Synergizers for Interleaved Vision-Language Generalists
von: Xu, Zhiyang, et al.
Veröffentlicht: (2024)

Moaw: Unleashing Motion Awareness for Video Diffusion Models
von: Zhang, Tianqi, et al.
Veröffentlicht: (2026)

Learning A Low-Level Vision Generalist via Visual Task Prompt
von: Chen, Xiangyu, et al.
Veröffentlicht: (2024)

DC-Solver: Improving Predictor-Corrector Diffusion Sampler via Dynamic Compensation
von: Zhao, Wenliang, et al.
Veröffentlicht: (2024)

Segment Anything with Motion, Geometry, and Semantic Adaptation for Complex Nonlinear Visual Object Tracking
von: Zhu, Deyi, et al.
Veröffentlicht: (2026)

Faceptor: A Generalist Model for Face Perception
von: Qin, Lixiong, et al.
Veröffentlicht: (2024)

UMind-VL: A Generalist Ultrasound Vision-Language Model for Unified Grounded Perception and Comprehensive Interpretation
von: Chen, Dengbo, et al.
Veröffentlicht: (2025)

GC-VLN: Instruction as Graph Constraints for Training-free Vision-and-Language Navigation
von: Yin, Hang, et al.
Veröffentlicht: (2025)

Spatial-TTT: Streaming Visual-based Spatial Intelligence with Test-Time Training
von: Liu, Fangfu, et al.
Veröffentlicht: (2026)

Towards Accurate Post-training Quantization for Diffusion Models
von: Wang, Changyuan, et al.
Veröffentlicht: (2023)

LAST: LeArning to Think in Space and Time for Generalist Vision-Language Models
von: Wang, Shuai, et al.
Veröffentlicht: (2025)

SFTok: Bridging the Performance Gap in Discrete Tokenizers
von: Rao, Qihang, et al.
Veröffentlicht: (2025)

Quantize-then-Rectify: Efficient VQ-VAE Training
von: Zhang, Borui, et al.
Veröffentlicht: (2025)

Diffusion Model as a Generalist Segmentation Learner
von: Wang, Haoxiao, et al.
Veröffentlicht: (2026)

Hulu-Med: A Transparent Generalist Model towards Holistic Medical Vision-Language Understanding
von: Jiang, Songtao, et al.
Veröffentlicht: (2025)